-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

Python貝葉斯分析

( 簡體 字)
作者:[阿根廷] Osvaldo Martin(奧斯瓦爾多•馬丁)類別:1. -> 程式設計 -> Python
譯者:
出版社:人民郵電出版社Python貝葉斯分析 3dWoo書號: 48409
詢問書籍請說出此書號!

缺書
NT售價: 345

出版日:1/1/2018
頁數:216
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115476173
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

貝葉斯思維方法實戰 用PyMC3構建概率模型 使用Python3.5編寫 PyMOL社區活躍者傾情奉獻 發現Python貝葉斯分析的力量
《Python貝葉斯分析》從務實和程式設計的角度講解了貝葉斯統計中的主要概念,並介紹了如何使 用流行的 PyMC3 來構建概率模型。閱讀本書,讀者將掌握實現、檢查和擴展貝 葉斯統計模型,從而提升解決一系列資料分析問題的能力。本書不要求讀者有任 何統計學方面的基礎,但需要讀者有使用 Python 程式設計方面的經驗。
目錄:


第 1章 概率思維——貝葉斯推斷指南 1
1.1 以建模為中心的統計學 1
1.1.1 探索式資料分析 2
1.1.2 統計推斷 3
1.2 概率與不確定性 4
1.2.1 概率分佈 6
1.2.2 貝葉斯定理與統計推斷 9
1.3 單參數推斷 11
1.3.1 拋硬幣問題 11
1.3.2 報告貝葉斯分析結果 20
1.3.3 模型注釋和視覺化 20
1.3.4 總結後驗 21
1.4 後驗預測檢查 24
1.5 安裝必要的 Python 庫 24
1.6 總結 25
1.7 練習 25
第2章 概率程式設計——PyMC3 程式設計指南 27
2.1 概率程式設計 27
2.1.1 推斷引擎 28
2.2 PyMC3 介紹 40
2.2.1 用計算的方法解決拋硬幣問題 40
2.3 總結後驗 47
2.3.1 基於後驗的決策 48
2.4 總結 50
2.5 深入閱讀 50
2.6 練習 51
第3章 多參和分層模型 53
3.1 冗餘參數和邊緣概率分佈 53
3.2 隨處可見的高斯分佈 55
3.2.1 高斯推斷 56
3.2.2 魯棒推斷 59
3.3 組間比較 64
3.3.1 “小費”資料集 65
3.3.2 Cohen’s d 68
3.3.3 概率優勢 69
3.4 分層模型 69
3.4.1 收縮 72
3.5 總結 74
3.6 深入閱讀 75
3.7 練習 75
第4章 利用線性回歸模型理解並預測資料 77
4.1 一元線性回歸 77
4.1.1 與機器學習的聯繫 78
4.1.2 線性回歸模型的核心 78
4.1.3 線性模型與高自相關性 83
4.1.4 對後驗進行解釋和視覺化 86
4.1.5 皮爾遜相關係數 89
4.2 魯棒線性回歸 95
4.3 分層線性回歸 98
4.3.1 相關性與因果性 103
4.4 多項式回歸 105
4.4.1 解釋多項式回歸的係數 107
4.4.2 多項式回歸——終極模型? 108
4.5 多元線性回歸 108
4.5.1 混淆變數和多餘變數 112
4.5.2 多重共線性或相關性太高 115
4.5.3 隱藏的有效變數 117
4.5.4 增加相互作用 120
4.6 glm 模組 120
4.7 總結 121
4.8 深入閱讀 121
4.9 練習 122
第5章 利用邏輯回歸對結果進行分類 123
5.1 邏輯回歸 123
5.1.1 邏輯回歸模型 125
5.1.2 鳶尾花資料集 125
5.1.3 將邏輯回歸模型應用到鳶尾花資料集 128
5.2 多元邏輯回歸 131
5.2.1 決策邊界 132
5.2.2 模型實現 132
5.2.3 處理相關變數 134
5.2.4 處理類別不平衡資料 135
5.2.5 如何解決類別不平衡的問題 137
5.2.6 解釋邏輯回歸的係數 137
5.2.7 廣義線性模型 138
5.2.8 Softmax 回歸或多項邏輯回歸 139
5.3 判別式和生成式模型 142
5.4 總結 144
5.5 深入閱讀 145
5.6 練習 145
第6章 模型比較 147
6.1 奧卡姆剃刀——簡約性與準確性 147
6.1.1 參數太多導致過擬合 149
6.1.2 參數太少導致欠擬合 150
6.1.3 簡潔性與準確性之間的平衡 151
6.2 正則先驗 152
6.2.1 正則先驗和多層模型 153
6.3 衡量預測準確性 153
6.3.1 交叉驗證 154
6.3.2 信息量準則 155
6.3.3 用 PyMC3 計算信息量準則 158
6.3.4 解釋和使用資訊校準 162
6.3.5 後驗預測檢查 163
6.4 貝葉斯因數 164
6.4.1 類比信息量準則 166
6.4.2 計算貝葉斯因數 166
6.5 貝葉斯因數與信息量準則 169
6.6 總結 171
6.7 深入閱讀 171
6.8 練習 171
第7章 混合模型 173
7.1 混合模型 173
7.1.1 如何構建混合模型 174
7.1.2 邊緣高斯混合模型 180
7.1.3 混合模型與計數類型變數 181
7.1.4 魯棒邏輯回歸 187
7.2 基於模型的聚類 190
7.2.1 固定成分聚類 191
7.2.2 非固定成分聚類 191
7.3 連續混合模型 192
7.3.1 beta- 二項分佈與負二項分佈 192
7.3.2 t 分佈 193
7.4 總結 193
7.5 深入閱讀 194
7.6 練習 194
第8章 高斯過程 195
8.1 非參統計 195
8.2 基於核函數的模型 196
8.2.1 高斯核函數 196
8.2.2 核線性回歸 197
8.2.3 過擬合與先驗 202
8.3 高斯過程 202
8.3.1 構建協方差矩陣 203
8.3.2 根據高斯過程做預測 207
8.3.3 用 PyMC3 實現高斯過程 211
8.4 總結 215
8.5 深入閱讀 216
8.6 練習 216
序: