Bewertung:
Das Buch ist ein praktischer Leitfaden für die probabilistische Programmierung mit PyMC, der für seinen klaren Inhalt und seinen praxisorientierten Ansatz gelobt wird. Mehrere Rezensenten wiesen jedoch auf Probleme mit der Qualität und Klarheit der gedruckten Ausgabe hin, sowie auf einige Herausforderungen im Zusammenhang mit Versionskompatibilität und Code-Fehlern.
Vorteile:Exzellenter Inhalt, klare Erklärung der Konzepte, starker praktischer Lernansatz, großartiges Zusatzmaterial, nützliche Jupyter-Notebooks auf GitHub, geschätzt für den Brückenschlag zwischen Anfängern und Fortgeschrittenen in der Bayesianischen Analyse.
Nachteile:Schlechte Druckqualität in den physischen Ausgaben, unzureichender mathematischer Formalismus, Codefehler im Buch, fehlende Versionshinweise für Python und PyMC, eine überwältigende Menge an Code, der vereinfacht werden könnte, und einige fanden das Buch in Bezug auf seine Zielgruppe irreführend.
(basierend auf 45 Leserbewertungen)
Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference
Beherrschen Sie die Bayes'sche Inferenz durch praktische Beispiele und Berechnungen - ohne fortgeschrittene mathematische Analyse
Bayes'sche Inferenzmethoden sind zutiefst natürlich und äußerst leistungsfähig. Die meisten Diskussionen über Bayes'sche Schlussfolgerungen stützen sich jedoch auf äußerst komplexe mathematische Analysen und künstliche Beispiele, so dass sie für Personen ohne fundierte mathematische Kenntnisse unzugänglich sind. Jetzt stellt Cameron Davidson-Pilon die Bayes'sche Inferenz aus einer rechnerischen Perspektive vor und schlägt damit eine Brücke von der Theorie zur Praxis - damit Sie mit Hilfe von Rechenleistung Ergebnisse erzielen können.
Bayesian Methods for Hackers beleuchtet die Bayes'sche Inferenz durch probabilistische Programmierung mit der leistungsstarken PyMC-Sprache und den eng verwandten Python-Tools NumPy, SciPy und Matplotlib. Mit diesem Ansatz können Sie in kleinen Schritten und ohne umfangreiche mathematische Eingriffe zu effektiven Lösungen gelangen.
Davidson-Pilon beginnt mit einer Einführung in die Konzepte, die der Bayes'schen Inferenz zugrunde liegen, vergleicht sie mit anderen Techniken und führt Sie durch den Aufbau und das Training Ihres ersten Bayes'schen Modells. Anschließend stellt er PyMC anhand einer Reihe von detaillierten Beispielen und intuitiven Erklärungen vor, die nach umfangreichem Benutzerfeedback verfeinert wurden. Sie werden lernen, wie man den Markov Chain Monte Carlo Algorithmus verwendet, geeignete Stichprobengrößen und Prioren auswählt, mit Verlustfunktionen arbeitet und Bayes'sche Inferenz in Bereichen von Finanzen bis Marketing anwendet. Sobald Sie diese Techniken beherrschen, werden Sie immer wieder auf dieses Handbuch zurückgreifen, um den PyMC-Code zu erhalten, den Sie für zukünftige Projekte benötigen.
Inhalt:
- Erlernen des Bayes'schen „state of mind“ und seiner praktischen Auswirkungen.
- Verstehen, wie Computer Bayes'sche Inferenz durchführen.
- Verwendung der Python-Bibliothek PyMC zur Programmierung von Bayes'schen Analysen.
- Aufbau und Fehlersuche in Modellen mit PyMC.
- Testen der „Anpassungsgüte“ Ihres Modells.
- Öffnen der „Black Box“ des Markov Chain Monte Carlo Algorithmus, um zu sehen, wie und warum er funktioniert.
- Die Macht des „Gesetzes der großen Zahlen“ ausnutzen.
- Beherrschen von Schlüsselkonzepten wie Clustering, Konvergenz, Autokorrelation und Ausdünnung.
- Verwendung von Verlustfunktionen zur Messung der Schwächen einer Schätzung auf der Grundlage Ihrer Ziele und gewünschten Ergebnisse.
- Auswahl geeigneter Prioritäten und Verständnis dafür, wie sich ihr Einfluss mit der Größe des Datensatzes ändert.
- Überwindung des Dilemmas „Exploration versus Exploitation“: Entscheiden, wann „ziemlich gut“ gut genug ist.
- Verwendung der Bayes'schen Inferenz zur Verbesserung von A/B-Tests.
- Lösen von datenwissenschaftlichen Problemen, wenn nur kleine Datenmengen verfügbar sind.
Cameron Davidson-Pilon hat in vielen Bereichen der angewandten Mathematik gearbeitet, von der evolutionären Dynamik von Genen und Krankheiten bis zur stochastischen Modellierung von Finanzpreisen. Zu seinen Beiträgen für die Open-Source-Gemeinschaft gehört lifelines, eine Implementierung der Überlebensanalyse in Python. Er studierte an der University of Waterloo und an der Unabhängigen Universität Moskau und arbeitet derzeit für das führende Online-Handelsunternehmen Shopify.
| ISBN: | 9780133902839 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2015 |
| Seitenzahl: | 256 |
Derzeit verfügbar, auf Lager.
