具体描述
Python贝叶斯分析+贝叶斯方法+贝叶斯思维+深入浅出深度学习：原理剖析与Python实践
Python贝叶斯分析
书 号： 9787115476173
页 数： 236
印刷方式： 彩色印刷
开 本： 小16开
出版状态： 正在印刷
定价 69元
出版社 人民邮电出版社
出版时间 2018.2
作者： 【阿根廷】Osvaldo Martin（奥斯瓦尔多·马丁）
译者： 田俊 责编： 王峰松
本书从务实和编程的角度讲解了贝叶斯统计中的主要概念，并介绍了如何使用流行的PyMC3来构建概率模型。阅读本书，读者将掌握实现、检查和扩展贝叶斯统计模型，从而解决一系列数据分析问题的能力。本书不要求读者有任何统计学方面的基础，但需要读者有使用Python编程方面的经验。
贝叶斯方法 概率编程与贝叶斯推断
内容简介
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。
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 介绍我们的第一板斧：PyMC 14
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 扩充至两个转折点 22
1．7 习题 24
1．8 答案 24
第2章 进一步了解PyMC 27
2．1 引言 27
2．1．1 父变量与子变量的关系 27
2．1．2 PyMC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
2．2．4 A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
3．1．2 MCMC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
3．2．3 pymc．Matplot．plot() 97
3．3 MCMC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 从未言明的最伟大定理 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
6．3．1 Gamma分布 161
6．3．2 威沙特分布 162
6．3．3 Beta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
7．4．1 t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
贝叶斯思维 统计建模的Python学习法
内容简介
《贝叶斯思维 统计建模的Python学习法》帮助那些希望用数学工具解决实际问题的人们，的要求可能就是懂一点概率知识和程序设计。而贝叶斯方法是一种常见的利用概率学知识去解决不确定性问题的数学方法，对于一个计算机专业的人士，应当熟悉其应用在诸如机器翻译，语音识别，垃圾邮件检测等常见的计算机问题领域。
可是《贝叶斯思维 统计建模的Python学习法》实际上会远远扩大你的视野，即使不是一个计算机专业的人士，你也可以看到在战争环境下（二战德军坦克问题），法律问题上（的假设验证），体育博彩领域（棕熊队和加人队NFL比赛问题）贝叶斯方法的威力。怎么从有限的信息判断德军装甲部队的规模，你所支持的球队有多大可能赢得，在《龙与地下城》勇士中，你应当对游戏角色属性的很大值有什么样的期望，甚至在普通的彩弹射击游戏中，拥有一些贝叶斯思维也能帮助到你提高游戏水平。
除此以外，《贝叶斯思维 统计建模的Python学习法》在共计15章的篇幅中讨论了怎样解决十几个现实生活中的实际问题。在这些问题的解决过程中，作者还潜移默化的帮助读者形成了建模决策的方法论，建模误差和数值误差怎么取舍，怎样为具体问题建立数学模型，如何抓住问题中的主要矛盾（模型中的关键参数），再一步一步的优化或者验证模型的有效性或者局限性。在这个意义上，这本书又是一本关于数学建模的成功样本。
第1章 贝叶斯定理 1
1.1 条件概率 1
1.2 联合概率 2
1.3 曲奇饼问题 2
1.4 贝叶斯定理 3
1.5 历时诠释 4
1.6 M&M;豆问题 5
1.7 Monty Hall难题 6
1.8 讨论 8
第2章 统计计算 9
2.1 分布 9
2.2 曲奇饼问题 10
2.3 贝叶斯框架 11
2.4 Monty Hall难题 12
2.5 封装框架 13
2.6 M&M;豆问题 14
2.7 讨论 15
2.8 练习 16
第3章 估计 17
3.1 骰子问题 17
3.2 火车头问题 18
3.3 怎样看待先验概率？ 20
3.4 其他先验概率 21
3.5 置信区间 23
3.6 累积分布函数 23
3.7 德军坦克问题 24
3.8 讨论 24
3.9 练习 25
第4章 估计进阶 27
4.1 欧元问题 27
4.2 后验概率的概述 28
4.3 先验概率的湮没 29
4.4 优化 31
4.5 Beta分布 32
4.6 讨论 34
4.7 练习 34
第5章 胜率和加数 37
5.1 胜率 37
5.2 贝叶斯定理的胜率形式 38
5.3 奥利弗的血迹 39
5.4 加数 40
5.5 最大化 42
5.6 混合分布 45
5.7 讨论 47
第6章 决策分析 49
6.1 “正确的价格”问题 49
6.2 先验概率 50
6.3 概率密度函数 50
6.4 PDF的表示 51
6.5 选手建模 53
6.6 似然度 55
6.7 更新 55
6.8 最优出价 57
6.9 讨论 59
第7章 预测 61
7.1 波士顿棕熊队问题 61
7.2 泊松过程 62
7.3 后验 63
7.4 进球分布 64
7.5 获胜的概率 66
7.6 突然死亡法则 66
7.7 讨论 68
7.8 练习 69
第8章 观察者的偏差 71
8.1 红线问题 71
8.2 模型 71
8.3 等待时间 73
8.4 预测等待时间 75
8.5 估计到达率 78
8.6 消除不确定性 80
8.7 决策分析 81
8.8 讨论 83
8.9 练习 84
第9章 二维问题 85
9.1 彩弹 85
9.2 Suite对象 85
9.3 三角学 87
9.4 似然度 88
9.5 联合分布 89
9.6 条件分布 90
9.7 置信区间 91
9.8 讨论 93
9.9 练习 94
第10章 贝叶斯近似计算 95
10.1 变异性假说 95
10.2 均值和标准差 96
10.3 更新 98
10.4 CV的后验分布 98
10.5 数据下溢 99
10.6 对数似然 100
10.7 一个小的优化 101
10.8 ABC（近似贝叶斯计算） 102
10.9 估计的可靠性 104
10.10 谁的变异性更大？ 105
10.11 讨论 107
10.12 练习 108
第11章 假设检验 109
11.1 回到欧元问题 109
11.2 来一个公平的对比 110
11.3 三角前验 111
11.4 讨论 112
11.5 练习 113.......
深入浅出深度学习：原理剖析与Python实践
《深入浅出深度学习：原理剖析与Python实践》介绍了深度学习相关的原理与应用，全书共分为三大部分，第一部分主要回顾了深度学习的发展历史，以及Theano的使用；第二部分详细讲解了与深度学习相关的基础知识，包括线性代数、概率论、概率图模型、机器学习和至优化算法；在第三部分中，针对若干核心的深度学习模型，如自编码器、受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解，并针对不同的模型给出相应的具体应用。
《深入浅出深度学习：原理剖析与Python实践》适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的后面都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。理论与实践相结合，《深入浅出深度学习：原理剖析与Python实践》针对常用的模型分别给出了相应的应用，读者也可以在Github中下载和查看《深入浅出深度学习：原理剖析与Python实践》的代码（https://github.com/innovation-cat/DeepLearningBook）。
用户评价
评分
评分
评分
评分
评分
评分
评分
评分
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版权所有