Bayesi módszerek hackerek számára: Valószínűségi programozás és Bayes-i következtetés

Olvasói vélemények

A könyv a PyMC-vel történő valószínűségi programozás gyakorlati útmutatója, amelyet világos tartalma és gyakorlatias megközelítése miatt dicsérnek. Több recenzens azonban megjegyezte, hogy a nyomtatott kiadás minőségével és áttekinthetőségével, valamint a verzió-kompatibilitással és a kódhibákkal kapcsolatos néhány kihívással kapcsolatban problémák merültek fel.

Kiváló tartalom, a fogalmak világos magyarázata, erős gyakorlati tanulási megközelítés, nagyszerű kiegészítő anyagok, a GitHubon elérhető hasznos Jupyter notebookok, a Bayes-analízis kezdő és haladó témáinak áthidalása miatt nagyra értékelt.

Gyenge nyomtatási minőség a fizikai kiadásokban, elégtelen matematikai formalizmus, a könyvben jelenlévő kódhibák, a Python és a PyMC verzióvezetésének hiánya, túl sok kód, amelyet egyszerűsíteni lehetne, és egyesek félrevezetőnek találták a célközönséget illetően.

(45 olvasói vélemény alapján)

Eredeti címe:

Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference

Könyv tartalma:

Mester Bayes-i következtetés gyakorlati példákon és számításokon keresztül - haladó matematikai elemzés nélkül

A bayesi következtetési módszerek mélyen természetesek és rendkívül hatékonyak. A bayesi következtetés legtöbb tárgyalása azonban intenzíven összetett matematikai elemzésekre és mesterséges példákra támaszkodik, ami a Bayes-féle következtetést erős matematikai háttér nélkül bárki számára elérhetetlenné teszi. Most azonban Cameron Davidson-Pilon számítási szemszögből mutatja be a bayesi következtetést, áthidalva az elméletet a gyakorlatba, felszabadítva Önt arra, hogy a számítási teljesítményt felhasználva kapjon eredményeket.

A Bayesian Methods for Hackers a nagy teljesítményű PyMC nyelvvel és a hozzá szorosan kapcsolódó Python-eszközökkel, a NumPy-vel, a SciPy-vel és a Matplotlib-bal való valószínűségi programozáson keresztül világítja meg a bayesi következtetést. Ezzel a megközelítéssel kis lépésekben, kiterjedt matematikai beavatkozás nélkül juthat el hatékony megoldásokhoz.

Davidson-Pilon a Bayes-féle következtetés alapjául szolgáló fogalmak bemutatásával kezdi, összehasonlítja más technikákkal, és végigvezeti Önt az első Bayes-modell felépítésén és betanításán. Ezután részletes példákon és intuitív magyarázatokon keresztül mutatja be a PyMC-t, amelyet a széles körű felhasználói visszajelzések alapján finomítottak. Megtanulja, hogyan használja a Markov-lánc Monte Carlo algoritmust, hogyan válasszon megfelelő mintaméretet és priort, hogyan dolgozzon veszteségfüggvényekkel, és hogyan alkalmazza a Bayes-féle következtetést a pénzügyektől a marketingig terjedő területeken. Ha már elsajátította ezeket a technikákat, folyamatosan ehhez az útmutatóhoz fog fordulni a PyMC működő kódjáért, amelyre a jövőbeli projektek elindításához szüksége lesz.

A lefedettség tartalmazza

- A bayesi „tudatállapot” megismerése és annak gyakorlati vonatkozásai.

- Annak megértése, hogy a számítógépek hogyan hajtják végre a Bayes-féle következtetést.

- A PyMC Python könyvtár használata Bayes-elemzések programozásához.

- Modellek építése és hibakeresése PyMC-vel.

- A modell „jó illeszkedésének” tesztelése.

- A Markov-lánc Monte Carlo algoritmus „fekete dobozának” megnyitása, hogy meglássuk, hogyan és miért működik.

- A „nagy számok törvényének” erejének kihasználása.

- Olyan kulcsfogalmak elsajátítása, mint a klaszterezés, konvergencia, autokorreláció és ritkítás.

- Veszteségfüggvények használata a becslés gyengeségeinek mérésére a célok és a kívánt eredmények alapján.

- Megfelelő priorok kiválasztása és annak megértése, hogy azok hatása hogyan változik az adathalmaz méretével.

- A „feltárás kontra kihasználás” dilemma leküzdése: annak eldöntése, hogy mikor elég jó a „meglehetősen jó”.

- Bayesi következtetés használata az A/B tesztelés javítására.

- Adattudományi problémák megoldása, ha csak kis mennyiségű adat áll rendelkezésre.

Cameron Davidson-Pilon az alkalmazott matematika számos területén dolgozott, a gének és betegségek evolúciós dinamikájától a pénzügyi árak sztochasztikus modellezéséig. A nyílt forráskódú közösséghez való hozzájárulásai közé tartozik a lifelines, a túlélési elemzés Python nyelven történő implementációja. A Waterloo-i Egyetemen és a Moszkvai Független Egyetemen tanult, jelenleg az online kereskedelem vezető vállalatánál, a Shopify-nál dolgozik.