Bayes-elemzés Excel és R segítségével

Olvasói vélemények

A könyv átfogó megközelítést kínál a Bayes-statisztika megértéséhez az Excel és az R alkalmazásán keresztül, különösen a mindkét szoftvereszközzel ismerkedők számára.

⬤ Nagyszerű példák és magyarázatok, amelyek fokozzák az elméleti megértést
⬤ arra készteti az olvasót, hogy újragondolja a frekventista és bayesi elméletekkel kapcsolatos nézeteit
⬤ jól felépített és pedagógiailag megalapozott.

Korlátozottan hasznos azok számára, akik csak az Excel-t szeretnék használni, mivel a tartalom nagy része R-t igényel; nem biztos, hogy alkalmas az R iránt nem érdeklődő olvasók számára.

(2 olvasói vélemény alapján)

Eredeti címe:

Bayesian Analysis with Excel and R

Könyv tartalma:

Használja ki a Bayes-elemzés teljes erejét a versenyelőny érdekében

A bayesi módszerek olyan problémákat oldanak meg, amelyeket más módon nem tudsz megbízhatóan kezelni. A Microsoft Excel MVP Conrad Carlberg a meglévő Excel analitikai ismereteire és tapasztalataira építve segít abban, hogy a lehető legtöbbet hozza ki az Excel Bayes-féle képességeiből, és az R felé mozdulva még többet tudjon tenni.

Carlberg lépésről lépésre, valós példákon keresztül mutatja be, hogyan használhatja a Bayes-analitikát valós problémák széles körének megoldására. Carlberg tisztázza az elemzőket gyakran zavarba ejtő terminológiát, letölthető Excel munkafüzeteket biztosít, amelyeket könnyen a saját igényeihez igazíthat, és R kódmintákat kínál, hogy kihasználhassa az R-ben található rethinking csomag előnyeit és a Stanhez való átjárását.

Ha ezeket a Bayes-megközelítéseket beépíti az elemzési eszköztárába, hatalmas versenyelőnyre tehet szert a szervezete - és saját maga számára.

⬤ Tárja fel a Bayes-analízis alapjául szolgáló kulcsfontosságú gondolatokat és stratégiákat.

⬤ Megkülönbözteti az előzetes, a valószínűségi és az utólagos eloszlásokat, és összehasonlítja a mintavételi bemenetek vezérlésére szolgáló algoritmusokat.

⬤ Használja a rácsos közelítést egyszerű egyváltozós problémák megoldására, és értse meg annak korlátait a paraméterek növekedésével.

⬤ Történjen komplex szimulációkat és regressziókat kvadratikus közelítéssel és Richard McElreath quap függvényével.

⬤ Szöveges értékek kezelése, mintha numerikus értékek lennének.

⬤ Tanulja meg a Bayes-féle mintavételi technika mai aranyszabályát: Markov-lánc Monte Carlo (MCMC)

⬤ Használja az MCMC-t a végrehajtási sebesség optimalizálására nagy bonyolultságú problémák esetén.

⬤ Fedezze fel, hogy mikor vallanak kudarcot a frequentista módszerek és mikor nélkülözhetetlenek a Bayes-módszerek - és mikor kell mindkettőt együttesen használni.