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
Book DescriptionThe 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
Who this book is forIf 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
Các tính năng chính
Mô tả cuốn sáchMục 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
Thông tin về các Tác giảOsvaldo 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
|