贝叶斯方法 概率编程与贝叶斯推断
￥ 62 7.0折 ￥ 89 全新
库存8件
北京房山
认证卖家担保交易快速发货售后保障
作者(加)卡梅隆 戴维森-皮隆
出版社人民邮电出版社
ISBN9787115438805
出版时间2017-01
装帧平装
开本16开
定价89元
货号1202372194
上书时间2024-07-03
- 在售商品 暂无
- 平均发货时间 8小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
卡梅隆戴维森-皮隆，接触过数学在多个领域的应用——从基因和疾病的动态演化，到金融价格的随机模型。他对于开源社区主要的贡献包括这本书以及lifelines项目。Cameron成长于加拿大的安大略省圭尔夫市，而就读于滑铁卢大学以及莫斯科独立大学。如今他住在安大略省渥太华市，并在电商领军者Shopify工作。
目录
第1章贝叶斯推断的哲学1
1．1引言1
1．1．1贝叶斯思维1
1．1．2贝叶斯推断在实践中的运用3
1．1．3频率派的模型是错误的吗？4
1．1．4关于大数据4
1．2我们的贝叶斯框架5
1．2．1不得不讲的实例：抛硬币5
1．2．2实例：图书管理员还是农民6
1．3概率分布8
1．3．1离散情况9
1．3．2连续情况10
1．3．3什么是12
1．4使用计算机执行贝叶斯推断12
1．4．1实例：从短信数据推断行为12
1．4．2介绍我们的板斧：PyMC14
1．4．3说明18
1．4．4后验样本到底有什么用？18
1．5结论20
1．6补充说明20
1．6．1从统计学上确定两个l值是否真的不一样20
1．6．2扩充到两个转折点22
1．7习题24
1．8答案24
第2章进一步了解PyMC27
2．1引言27
2．1．1父变量与子变量的关系27
2．1．2PyMC变量28
2．1．3在模型中加入观测值31
2．1．4最后……33
2．2建模方法33
2．2．1同样的故事，不同的结局35
2．2．2实例：贝叶斯A/B测试38
2．2．3一个简单的场景38
2．2．4A和B一起41
2．2．5实例：一种人类谎言的算法45
2．2．6二项分布45
2．2．7实例：学生作弊46
2．2．8另一种PyMC模型50
2．2．9更多的PyMC技巧51
2．2．10实例：挑战者号事故52
2．2．11正态分布55
2．2．12挑战者号事故当天发生了什么？61
2．3我们的模型适用吗？61
2．4结论68
2．5补充说明68
2．6习题69
2．7答案69
第3章打开MCMC的黑盒子71
3．1贝叶斯景象图71
3．1．1使用MCMC来探索景象图77
3．1．2MCMC算法的实现78
3．1．3后验的其他近似解法79
3．1．4实例：使用混合模型进行无监督聚类79
3．1．5不要混淆不同的后验样本88
3．1．6使用MAP来改进收敛性91
3．2收敛的判断92
3．2．1自相关92
3．2．2稀释95
3．2．3pymc．Matplot．plot()97
3．3MCMC的一些秘诀98
3．3．1聪明的初始值98
3．3．2先验99
3．3．3统计计算的无名定理99
3．4结论99
第4章从未言明的伟大定理101
4．1引言101
4．2大数定律101
4．2．1直觉101
4．2．2实例：泊松随机变量的收敛102
4．2．3如何计算Var(Z)106
4．2．4期望和概率106
4．2．5所有这些与贝叶斯统计有什么关系呢107
4．3小数据的无序性107
4．3．1实例：地理数据聚合107
4．3．2实例：Kaggle的美国人口普查反馈比例预测比赛109
4．3．3实例：如何对Reddit网站上的评论进行排序111
4．3．4排序！115
4．3．5但是这样做的实时性太差了117
4．3．6推广到评星系统122
4．4结论122
4．5补充说明122
4．6习题123
4．7答案124
第5章失去一只手臂还是一条腿127
5．1引言127
5．2损失函数127
5．2．1现实世界中的损失函数129
5．2．2实例：优化“价格竞猜”游戏的展品出价130
5．3机器学习中的贝叶斯方法138
5．3．1实例：金融预测139
5．3．2实例：Kaggle观测暗世界大赛144
5．3．3数据145
5．3．4先验146
5．3．5训练和PyMC实现147
5．4结论156
第6章弄清楚先验157
6．1引言157
6．2主观与客观先验157
6．2．1客观先验157
6．2．2主观先验158
6．2．3决策，决策……159
6．2．4经验贝叶斯160
6．3需要知道的有用的先验161
6．3．1Gamma分布161
6．3．2威沙特分布162
6．3．3Beta分布163
6．4实例：贝叶斯多臂老虎机164
6．4．1应用165
6．4．2一个解决方案165
6．4．3好坏衡量标准169
6．4．4扩展算法173
6．5从领域专家处获得先验分布176
6．5．1试验轮盘赌法176
6．5．2实例：股票收益177
6．5．3对于威沙特分布的专业提示184
6．6共轭先验185
6．7杰弗里斯先验185
6．8当N增加时对先验的影响187
6．9结论189
6．10补充说明190
6．10．1带惩罚的线性回归的贝叶斯视角190
6．10．2选择退化的先验192
第7章贝叶斯A/B测试195
7．1引言195
7．2转化率测试的简单重述195
7．3增加一个线性损失函数198
7．3．1收入期望的分析198
7．3．2延伸到A/B测试202
7．4超越转化率：t检验204
7．4．1t检验的设定204
7．5增幅的估计207
7．5．1创建点估计210
7．6结论211
术语表213
内容摘要
本书基于PyMC语言以及一系列常用的Python数据分析框架，如NumPy、SciPy和Matplotlib，通过概率编程的方式，讲解了贝叶斯推断的原理和实现方法。该方法常常可以在避免引入大量数学分析的前提下，有效地解决问题。书中使用的案例往往是工作中遇到的实际问题，有趣并且实用。作者的阐述也尽量避免冗长的数学分析，而让读者可以动手解决一个个的具体问题。通过对本书的学习，读者可以对贝叶斯思维、概率编程有较为深入的了解，为将来从事机器学习、数据分析相关的工作打下基础。本书适用于机器学习、贝叶斯推断、概率编程等相关领域的从业者和爱好者，也适合普通开发人员了解贝叶斯统计而使用。
主编推荐
·靠前杰出机器学习专家、地平线机器人技术创始人和CEO、前百度研究院执行院长余凯博士，腾讯专家研究员岳亚丁博士推荐、审校
·内容涉及Python语言库PyMC，以及相关的工具，包括NumPy\SciPy\Matplotlib，无需复杂的数学分析，通过实例、从编程的角度介绍贝叶斯分析方法，大多数程序员都可以入门并掌握。
本书的内容特色：
·学习贝叶斯思维方式
·理解计算机如何进行贝叶斯推断
·利用PyMC Python库进行编程来实现贝叶斯分析
·利用PyMC建模以及调试
·测试模型的拟合优度
·打开马尔科夫链蒙特卡洛算法的黑盒子，看看它如何工作
·利用大数定律的力量
·掌握聚类、收敛、自相关、细化等关键概念
·根据目标和预期的结果，利用损失函数来推断缺陷
·选择合理的先验，并理解其如何随着样本量的大小而变化
·克服“研发与开发”的困境：判断是否已经足够好了
·利用贝叶斯推断改良A/B测试
·在可用数据量小的情况下，解决数据科学的问题
— 没有更多了 —
以下为对购买帮助不大的评价