Вероятностное программирование на Python, Байесовский вывод и алгоритмы, Дэвидсон-Пайлон К., 2019.
Байесовские методы пугают формулами многих айтишников, но без анализа статистики и вероятностей сейчас не обойтись. Кэмерон Дэвидсон-Пайлон рассказывает о байесовском методе с точки зрения программиста-практика, работающего с многофункциональным языком РуМС и библиотеками NumPy, SciPy и Matplotlib. Раскрывая роль байесовских выводов при А В-тестировании, выявлении мошенничества и в других насущных задачах, вы не только легко разберетесь в этой нетривиальной теме, но и начнете применять полученные знания для достижения своих целей.
Байесовское мышление.
Байесовский вывод отличается от традиционного статистического тем, что сохраняет неопределенность. Поначалу это кажется плохим статистическим приемом. Разве статистика не выводит достоверность из случайности? Чтобы преодолеть это противоречие, мы должны начать мыслить как байесовцы.
Байесовское мировоззрение интерпретирует вероятность как меру правдоподобия события, то есть степень нашей уверенности в том, что событие произойдет. Мы вскоре убедимся, что это и есть естественная интерпретация вероятности.
Чтобы прояснить ситуацию, рассмотрим альтернативную интерпретацию вероятности. Фреквентисты (от frequency — «частота»), придерживающиеся классического варианта статистики, исходят из того, что вероятность — это долгосрочная частота событий (отсюда и их название). К примеру, вероятность авиакатастроф в понимании фреквентистов является долгосрочной частотой авиакатастроф. Это логично во многих случаях, но тяжело понять, когда события не имеют долгосрочной частоты реализации. Рассмотрим следующий пример. Мы часто оцениваем вероятность результатов президентских выборов, притом что сами выборы происходят единожды. Фреквентисты обходят это ограничение, вводя параллельные миры. Вероятность, таким образом, определяется частотой проявления события во всех этих мирах.
Содержание.
Предисловие.
Введение.
Благодарности.
Об авторе.
От издательства.
Глава 1. Философия байесовского вывода.
Глава 2. Еще немного о PyMC.
Глава 3. Открываем «черный ящик» MCMC.
Глава 4. Величайшая из несформулированных теорем.
Глава 5. Что лучше: потерять руку или ногу?.
Глава 6. Расставляем приоритеты.
Глава 7. A/B-тестирование.
Глоссарий.
Купить .
Купить .
Теги: учебник по программированию :: программирование :: Дэвидсон-Пайлон
Смотрите также учебники, книги и учебные материалы:
- Глубокое обучение, Погружение в мир нейронных сетей, Николенко С., Кадурин А., Архангельская Е., 2018
- Глубокое обучение на R, Шолле Ф., 2018
- Глубокое обучение на Python, Шолле Ф., 2018
- Прагматичный ИИ, Машинное обучение и облачные технологии, Гифт Н., 2019
- Введение в машинное обучение с помощью Python, Мюллер А., Гвидо С., 2017
- Секреты Python, 59 рекомендаций по написанию эффективного кода, Слаткин Б., 2016
- Python. Книга рецептов, Бизли Д., Джонс Б.К., 2019
- Алгоритмы для начинающих, теория и практика для разработчика, Луридас П., 2018