Hướng dẫn bayesian inference python code - mã python suy luận bayesian

Bayesian modeling with PyMC3 and exploratory analysis of Bayesian models with ArviZ

Key Features

• A step-by-step guide to conduct Bayesian data analyses using PyMC3 and ArviZ
• A modern, practical and computational approach to Bayesian statistical modeling
• A tutorial for Bayesian analysis and best practices with the help of sample problems and practice exercises.

Book Description

The second edition of Bayesian Analysis with Python is an introduction to the main concepts of applied Bayesian inference and its practical implementation in Python using PyMC3, a state-of-the-art probabilistic programming library, and ArviZ, a new library for exploratory analysis of Bayesian models.

The main concepts of Bayesian statistics are covered using a practical and computational approach. Synthetic and real data sets are used to introduce several types of models, such as generalized linear models for regression and classification, mixture models, hierarchical models, and Gaussian processes, among others.

By the end of the book, you will have a working knowledge of probabilistic modeling and you will be able to design and implement Bayesian models for your own data science problems. After reading the book you will be better prepared to delve into more advanced material or specialized statistical modeling if you need to.

What you will learn

• Build probabilistic models using the Python library PyMC3
• Analyze probabilistic models with the help of ArviZ
• Acquire the skills required to sanity check models and modify them if necessary
• Understand the advantages and caveats of hierarchical models
• Find out how different models can be used to answer different data analysis questions
• Compare models and choose between alternative ones
• Discover how different models are unified from a probabilistic perspective
• Think probabilistically and benefit from the flexibility of the Bayesian framework

Who this book is for

If you are a student, data scientist, researcher, or a developer looking to get started with Bayesian data analysis and probabilistic programming, this book is for you. The book is introductory so no previous statistical knowledge is required, although some experience in using Python and NumPy is expected.

Table of Contents

1. Thinking probabilistically
2. Programming probabilistically
3. Modeling with Linear Regression
4. Generalizing Linear Models
5. Model Comparison
6. Mixture Models
7. Gaussian Processes
8. Inference Engines
9. Where To Go Next?

Các tính năng chính

• Đơn giản hóa quy trình Bayes để giải quyết các vấn đề thống kê phức tạp bằng cách sử dụng Python;
• Hướng dẫn hướng dẫn sẽ đưa bạn qua hành trình phân tích Bayes với sự trợ giúp của các vấn đề mẫu và các bài tập thực hành;
• Tìm hiểu cách thức và thời điểm sử dụng phân tích Bayes trong các ứng dụng của bạn với hướng dẫn này.

Mô tả cuốn sách

Mục đích của cuốn sách này là dạy các khái niệm chính của phân tích dữ liệu Bayes. Chúng tôi sẽ học cách sử dụng PYMC3 một cách hiệu quả, thư viện Python để lập trình xác suất, để thực hiện ước tính tham số Bayes, để kiểm tra các mô hình và xác nhận chúng. Cuốn sách này bắt đầu trình bày các khái niệm chính của khung Bayes và những lợi thế chính của phương pháp này theo quan điểm thực tế. Tiếp tục, chúng tôi sẽ khám phá sức mạnh và tính linh hoạt của các mô hình tuyến tính tổng quát và làm thế nào để điều chỉnh chúng với một loạt các vấn đề, bao gồm hồi quy và phân loại. Chúng tôi cũng sẽ xem xét các mô hình hỗn hợp và dữ liệu phân cụm, và chúng tôi sẽ kết thúc với các chủ đề nâng cao như các mô hình không tham số và quy trình Gaussian. Với sự trợ giúp của Python và PyMC3, bạn sẽ học cách thực hiện, kiểm tra và mở rộng các mô hình Bayes để giải quyết các vấn đề phân tích dữ liệu.

Những gì bạn sẽ học

• Hiểu các khái niệm Bayes Essentials từ quan điểm thực tế
• Tìm hiểu cách xây dựng các mô hình xác suất bằng thư viện Python Pymc3
• Có được các kỹ năng để kiểm tra lại các mô hình của bạn và sửa đổi chúng nếu cần thiết
• Thêm cấu trúc vào các mô hình của bạn và có được lợi thế của các mô hình phân cấp
• Tìm hiểu cách các mô hình khác nhau có thể được sử dụng để trả lời các câu hỏi phân tích dữ liệu khác nhau
• Khi nghi ngờ, học cách lựa chọn giữa các mô hình thay thế.
• Dự đoán kết quả mục tiêu liên tục bằng cách sử dụng phân tích hồi quy hoặc gán các lớp bằng hồi quy logistic và softmax.
• Tìm hiểu cách suy nghĩ về xác suất và giải phóng sức mạnh và tính linh hoạt của khung Bayes

Thông tin về các Tác giả

Osvaldo Martin là một nhà nghiên cứu tại Hội đồng nghiên cứu khoa học và kỹ thuật quốc gia (CONICET), tổ chức chính phụ trách thúc đẩy khoa học và công nghệ ở Argentina. Ông đã làm việc về tin sinh học cấu trúc và các vấn đề sinh học tính toán, đặc biệt là cách xác nhận các mô hình protein cấu trúc. Anh ta có kinh nghiệm sử dụng các phương pháp Markov Chain Monte Carlo để mô phỏng các phân tử và thích sử dụng Python để giải quyết các vấn đề phân tích dữ liệu. Ông đã dạy các khóa học về tin sinh học cấu trúc, lập trình Python, và gần đây hơn là phân tích dữ liệu Bayesian. Thống kê Python và Bayes đã thay đổi cách anh ta nhìn vào khoa học và nghĩ về các vấn đề nói chung. Osvaldo thực sự có động lực để viết cuốn sách này để giúp những người khác phát triển các mô hình xác suất với Python, bất kể nền tảng toán học của họ. Anh ta là một thành viên tích cực của cộng đồng Pymol (một người xem phân tử dựa trên C/Python), và gần đây anh ta đã đóng góp nhỏ cho thư viện lập trình xác suất PYMC3. is a researcher at The National Scientific and Technical Research Council (CONICET), the main organization in charge of the promotion of science and technology in Argentina. He has worked on structural bioinformatics and computational biology problems, especially on how to validate structural protein models. He has experience in using Markov Chain Monte Carlo methods to simulate molecules and loves to use Python to solve data analysis problems. He has taught courses about structural bioinformatics, Python programming, and, more recently, Bayesian data analysis. Python and Bayesian statistics have transformed the way he looks at science and thinks about problems in general. Osvaldo was really motivated to write this book to help others in developing probabilistic models with Python, regardless of their mathematical background. He is an active member of the PyMOL community (a C/Python-based molecular viewer), and recently he has been making small contributions to the probabilistic programming library PyMC3.

Mục lục

1. Suy nghĩ về mặt xác suất - một mồi suy luận Bayes
2. Lập trình xác suất - một mồi Pymc3
3. Tung hứng với các mô hình đa tham số và phân cấp
4. Hiểu và dự đoán dữ liệu với các mô hình hồi quy tuyến tính
5. Phân loại kết quả với hồi quy logistic
6. So sánh mô hình
7. Mô hình hỗn hợp
8. Quy trình Gaussian