Analiza bayesowska w Pythonie. Praktyczny przewodnik po modelowaniu probabilistycznym. Wydanie III Osvaldo Martin

W przygotowaniu

Analiza bayesowska w Pythonie. Praktyczny przewodnik po modelowaniu probabilistycznym. Wydanie III Osvaldo Martin - okladka książki

Autor:: Osvaldo Martin
Wydawnictwo:: Helion
Ocena:
Stron:: 370
Druk:: oprawa miękka

Książka

89,00 zł

Powiadom mnie, gdy książka będzie dostępna

Przenieś na półkę

Powiadom o dostępności audiobooka »

W ostatnich dekadach statystyka bayesowska zyskała ogromne znaczenie w nauce i inżynierii. Współczesna analiza bayesowska to w dużej mierze statystyka obliczeniowa elastyczna, przejrzysta i umożliwiająca intuicyjną interpretację wyników. Dzięki rozwojowi bibliotek języka Python koncepcje bayesowskie stały się praktycznym narzędziem do realizacji zaawansowanych scenariuszy analitycznych.

Książka stanowi kompleksowe wprowadzenie do stosowanego wnioskowania bayesowskiego i jego implementacji w Pythonie. Autor używa nowoczesnej biblioteki PyMC do programowania probabilistycznego, a ArviZ do analizy i diagnostyki modeli. Omawia także inne narzędzia ekosystemu bayesowskiego, takie jak Bambi, PreliZ i Kulprit. Zapoznasz się z zagadnieniami bayesowskich addytywnych drzew regresyjnych (BART), selekcji zmiennych, konstrukcji rozkładów a priori i porównywania modeli. Ponadto dowiesz się, jak budować, analizować i interpretować modele probabilistyczne w projektach z zakresu data science.

W książce między innymi:

budowa modeli probabilistycznych z użyciem PyMC
analiza i diagnostyka modeli w ArviZ
modele hierarchiczne zalety i ograniczenia
porównywanie modeli i wybór najlepszych rozwiązań
interpretacja wyników w kontekście rzeczywistych problemów
myślenie probabilistyczne w ujęciu bayesowskim

Książka stanowi kompleksowe, jasne i zwięzłe wprowadzenie do metod bayesowskich i biblioteki PyMC.

Christopher Fonnesbeck i Thomas Wiecki

Pokaż opis z okładki oryginału »

Wydanie trzecie książki stanowi wprowadzenie do głównych koncepcji stosowanego wnioskowania bayesowskiego oraz ich praktycznej implementacji w języku Python. Korzystając z nowoczesnej i zaawansowanej biblioteki PyMC do programowania probabilistycznego, a także z narzędzia ArviZ służącego do analizy eksploracyjnej modeli bayesowskich, poznasz również dodatkowe biblioteki bayesowskie, takie jak Bambi, PreliZ i Kulprit.

Zamieszczony w tym zaktualizowanym wydaniu krótki wstęp do teorii prawdopodobieństwa wzbogaca proces nauki. W książce wprowadzono nowe zagadnienia, takie jak bayesowskie addytywne drzewa regresyjne (BART), selekcja zmiennych oraz pozyskiwanie rozkładów a priori, prezentując przy tym zaktualizowane przykłady. Udoskonalone objaśnienia na podstawie opinii i doświadczenia z poprzednich wydań uwydatniają nacisk położony w książce na statystykę bayesowską. Używając zarówno danych syntetycznych, jak i rzeczywistych, poznaj różne modele, w tym modele hierarchiczne, uogólnione modele liniowe regresji i klasyfikacji, modele mieszanin, modele procesów gaussowskich oraz modele BART.

Po przeczytaniu książki będziesz w praktyczny sposób rozumieć modelowanie probabilistyczne, co pozwoli Ci projektować i implementować modele bayesowskie na potrzeby własnych wyzwań z zakresu danologii. Jeśli zajdzie taka potrzeba, będziesz dobrze przygotowany do zgłębiania bardziej zaawansowanego materiału lub specjalistycznych zagadnień modelowania statystycznego.

Prezentując to nowe wydanie książki, trzeba docenić jej ogromny wpływ na rozwój i edukację społeczności użytkowników korzystających z programowania probabilistycznego. Osvaldo Martin, nauczyciel, praktykujący statystyk oraz wieloletni, główny projektant biblioteki PyMC, jest doskonałym przewodnikiem pomagającym poruszać się po tym złożonym obszarze. Zapewnia on jasne, zwięzłe i kompleksowe wprowadzenie do metod bayesowskich oraz biblioteki PyMC.

Christopher Fonnesbeck i Thomas Wiecki

Zagadnienia przedstawione w książce:

Budowanie modeli probabilistycznych przy użyciu biblioteki PyMC języka Python.
Analizowanie modeli probabilistycznych za pomocą biblioteki ArviZ.
Nabywanie umiejętności sprawdzania poprawności modeli i modyfikowania ich w razie potrzeby.
Zalety oraz ograniczenia modeli hierarchicznych.
Sposoby odpowiadania różnych modeli na różnorodne pytania z zakresu analizy danych.
Porównywanie modeli i wybieranie między alternatywami.
Interpretowanie wyników i wykorzystanie zdobytej wiedzy do rozwiązywania rzeczywistych problemów.
Wykorzystanie elastyczności struktury bayesowskiej do myślenia probabilistycznego.

Wybrane bestsellery

O autorze książki

Osvaldo Martin jest badaczem specjalizującym się w metodach obliczeniowych. Zajmował się bioinformatyką strukturalną i symulacją układów molekularnych, obecnie koncentruje się na statystyce bayesowskiej i programowaniu probabilistycznym. Prowadził kursy z zakresu bioinformatyki, data science i analizy bayesowskiej. Współtworzył projekty open source związane z bibliotekami: ArviZ, Bambi, Kulprit, PreliZ i PyMC.

Oceny i opinie klientów: Analiza bayesowska w Pythonie. Praktyczny przewodnik po modelowaniu probabilistycznym. Wydanie III Osvaldo Martin

(0)

Szczegóły książki

Dane producenta: »
Tytuł oryginału:: Bayesian Analysis with Python: A practical guide to probabilistic modeling, 3rd Edition
Tłumaczenie:: Wioletta Bociuk, Małgorzata Grygierowska-Augustynowicz, Piotr Pilch, Ryszard Szojda
ISBN Książki drukowanej:: 978-83-289-3665-2, 9788328936652
Format:: 165x235
Numer z katalogu:: 282451

Kategorie

Kliknij, aby zgłosić błędnie przypisaną kategorię »

Informatyka » Programowanie » Python

Dostępność produktu

Produkt nie został jeszcze oceniony pod kątem ułatwień dostępu lub nie podano żadnych informacji o ułatwieniach dostępu lub są one niewystarczające. Prawdopodobnie Wydawca/Dostawca jeszcze nie umożliwił dokonania walidacji produktu lub nie przekazał odpowiednich informacji na temat jego dostępności.

Helion - inne książki

Zamknij

Analiza bayesowska w Pythonie. Praktyczny przewodnik po modelowaniu probabilistycznym. Wydanie III Osvaldo Martin