Купить книгу Байесовские методы для хакеров: вероятностное программирование и байесовский вывод (издательство Addison-Wesley Data & Analytics) на русском [PDF, EPUB, FB2, MOBI]

Освойте байесовский вывод на практических примерах и с помощью вычислений — без углубленного математического анализа.

Байесовские методы вывода глубоко естественны и чрезвычайно мощны. Однако большинство обсуждений байесовского вывода основаны на чрезвычайно сложных математических анализах и искусственных примерах, что делает его недоступным для тех, кто не обладает глубокими математическими знаниями. Теперь же Кэмерон Дэвидсон-Пилон представляет байесовский вывод с вычислительной точки зрения, соединяя теорию с практикой и позволяя получать результаты, используя вычислительные мощности.

Книга «Байесовские методы для хакеров» раскрывает суть байесовского вывода посредством вероятностного программирования с использованием мощного языка PyMC и тесно связанных с ним инструментов Python: NumPy, SciPy и Matplotlib. Используя этот подход, вы можете получать эффективные решения небольшими шагами, без обширного математического вмешательства.

Дэвидсон-Пилон начинает с введения в концепции байесовского вывода, сравнивая его с другими методами и проводя вас через процесс создания и обучения вашей первой байесовской модели. Затем он знакомит с PyMC на серии подробных примеров и интуитивно понятных объяснений, которые были доработаны после многочисленных отзывов пользователей. Вы узнаете, как использовать алгоритм Монте-Карло с цепями Маркова, выбирать подходящие размеры выборки и априорные распределения, работать с функциями потерь и применять байесовский вывод в самых разных областях, от финансов до маркетинга. После того, как вы освоите эти методы, вы будете постоянно обращаться к этому руководству за рабочим кодом PyMC, необходимым для быстрого запуска будущих проектов.

Покрытие включает в себя

• Изучение байесовского «состояния ума» и его практических последствий.

• Понимание того, как компьютеры выполняют байесовский вывод

• Использование библиотеки PyMC Python для программирования байесовского анализа.

• Создание и отладка моделей с помощью PyMC

• Проверка «качества соответствия» вашей модели

• Раскрывая «черный ящик» алгоритма Монте-Карло на основе цепей Маркова, чтобы понять, как и почему он работает.

• Использование силы «Закона больших чисел»

• Освоение ключевых понятий, таких как кластеризация, сходимость, автокорреляция и прореживание.

• Использование функций потерь для оценки недостатков оценки на основе ваших целей и желаемых результатов.

• Выбор подходящих априорных распределений и понимание того, как их влияние меняется в зависимости от размера набора данных.

• Преодоление дилеммы «исследование против эксплуатации»: решение вопроса о том, когда «довольно хорошо» — это достаточно хорошо.

• Использование байесовского вывода для улучшения A/B-тестирования

• Решение задач анализа данных при наличии лишь небольшого объема информации.

Кэмерон Дэвидсон-Пилон работал во многих областях прикладной математики, от эволюционной динамики генов и заболеваний до стохастического моделирования финансовых цен. Его вклад в сообщество открытого исходного кода включает в себя lifelines, реализацию анализа выживаемости на языке Python. Получив образование в Университете Ватерлоо и Независимом университете Москвы, в настоящее время он работает в ведущей компании онлайн-коммерции Shopify.