在线客服
首页> 图书> 图书介绍(非官网)
贝叶斯方法：概率编程与贝叶斯推断图书
加入收藏
人气：85

贝叶斯方法：概率编程与贝叶斯推断

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。
  • 所属分类：图书 >计算机/网络>程序设计>其他  
  • 作者：加 [Cameron] [Davidson] [Pilon] [卡梅隆] [戴维森] [皮隆]
  • 产品参数：
  • 丛书名：--
  • 国际刊号：9787115438805
  • 出版社：人民邮电出版社
  • 出版时间：2016-12
  • 印刷时间：2016-12-01
  • 版次：1
  • 开本：128开
  • 页数：--
  • 纸张：胶版纸
  • 包装：平装-胶订
  • 套装：否
图书详情 内容简介 作者简介 目录 热门图书 累计评价（84）

内容简介

《贝叶斯方法 概率编程与贝叶斯推断》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。

编辑推荐

国际杰出机器学习专家、地平线机器人技术创始人和CEO、前百度研究院执行院长余凯博士，腾讯专家研究员岳亚丁博士推荐、审校 内容涉及Python语言库PyMC，以及相关的工具，包括NumPy\SciPy\Matplotlib，无需复杂的数学分析，通过实例、从编程的角度介绍贝叶斯分析方法，大多数程序员都可以入门并掌握。 本书的内容特色： 学习贝叶斯思维方式 理解计算机如何进行贝叶斯推断 利用PyMC Python库进行编程来实现贝叶斯分析 利用PyMC建模以及调试 测试模型的拟合优度 打开马尔科夫链蒙特卡洛算法的黑盒子，看看它如何工作 利用大数定律的力量 掌握聚类、收敛、自相关、细化等关键概念 根据目标和预期的结果，利用损失函数来推断缺陷 选择合理的先验，并理解其如何随着样本量的大小而变化 克服“研发与开发”的困境：判断是否已经足够好了 利用贝叶斯推断改良A B测试 在可用数据量小的情况下，解决数据科学的问题

作者简介

作者 Cameron Davidson-Pilon，接触过数学在多个领域的应用——从基因和疾病的动态演化，到金融价格的模型。他对于开源社区主要的贡献包括这本书以及lifelines项目。Cameron成长于加拿大的安大略省圭尔夫市，而就读于滑铁卢大学以及莫斯科独立大学。如今他住在安大略省渥太华市，并在电商领军者Shopify工作。 译者 辛愿，浙江大学硕士毕业，腾讯公司基础研究高级工程师，舆情系统开发经理。曾在百度从事推荐系统、用户画像、数据采集等相关研究工作，拥有多项专利，组织过上海大数据技术沙龙。目前专注于文本挖掘、舆情分析、智能聊天机器人等相关领域。 钟黎，腾讯公司研究员。曾在中国科学院、微软亚洲研究院、IBM研究院(新加坡)从事图像处理、语音处理、机器学习等相关研究工作，拥有多项专利，目前聚焦在自然语言处理、深度学习和人工智能等相关领域。 欧阳婷，华南理工大学硕士毕业，腾讯公司后台策略工程师。在电信、互联网行业参与过推荐系统、资源优化、KPI预测、用户画像等相关项目，拥有多项专利，目前聚焦在欺诈检测、时序分析、业务安全等相关领域。 审校者 余凯博士，地平线机器人技术创始人、CEO，国际杰出机器学习专家，中组部国家“千人计划”专家，中国人工智能学会副秘书长。余博士是前百度研究院执行院长，创建了百度深度学习研究院。他在百度所领导的团队在广告变现、搜索排序、语音识别、计算机视觉等领域做出杰出贡献，创纪录地连续三次获得公司高荣誉——“百度奖”。他还创建了中国公司自动驾驶项目，后发展为百度自动驾驶事业部。 岳亚丁博士，腾讯公司专家研究员，腾讯技术职级评委会基础研究岗位的负责委员。岳博士拥有19年在金融、电信、互联网行业的数据挖掘经验，主导或参与过用户画像、在线广告、推荐系统、CRM、欺诈检测、KPI预测等多种项目。他曾在微软(加拿大)从事行为定向广告的模型研发，另有11年的工程结构、海洋水文气象的力学研究及应用的工作经历。

目录

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介绍我们的及时板斧：PyMC14

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PyMC27

2.1引言27

2.1.1父变量与子变量的关系27

2.1.2PyMC变量28

2.1.3在模型中加入观测值31

2.1.4……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

2.2.4A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

3.1.2MCMC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

3.2.3pymc.Matplot.plot()97

3.3MCMC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

6.3.1Gamma分布161

6.3.2威沙特分布162

6.3.3Beta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

7.4.1t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

看过该图书的还看过

相关图书

网友评论(不代表本站观点)

来自无昵称**的评论：

包装都不包裹一下，拿来书都破了

2017-11-21 12:44:54
回复
来自无昵称**的评论：

参考书，希望有用

2017-09-28 00:04:08
回复
来自yujiabi**的评论：

好书，好内容。在大数据时代尤其对我有帮助

2017-11-07 13:18:29
回复
来自xiao80b**的评论：

没有来得及细看.貌似是未来 的重要发展趋势.

2017-11-09 21:47:50
回复
来自无昵称**的评论：

值得一读的好书！

2017-11-13 11:04:54
回复
来自匿名用**的评论：

很好不错…

2017-06-18 13:50:45
回复
来自w***n(**的评论：

一本不错的理论书，挺好

2017-06-19 22:30:06
回复
来自匿名用**的评论：

好书推荐好书

2017-06-21 00:36:37
回复
来自请***(**的评论：

值得购买 赞！

2017-06-28 13:39:57
回复
来自k***n(**的评论：

AI时代的来临，贝叶斯发力了

2017-07-11 19:02:22
回复
来自匿名用**的评论：

包装良好，印制精美。

2017-08-02 09:25:26
回复
来自无昵称**的评论：

包装良好，发货及时。舒适正版，我想要的。非常满意！

2017-08-03 13:50:18
回复
来自匿名用**的评论：

居然是彩印的

2017-08-08 16:11:43
回复
来自匿名用**的评论：

书看着纸质还可以，迫不及待要去学习了！

2017-08-11 23:13:32
回复
来自无昵称**的评论：

觉得书很不错

2017-09-14 18:32:46
回复
来自匿名用**的评论：

还没看，好像写的挺深奥

2017-09-16 09:07:28
回复
来自mahang8**的评论：

数学基础需要好好补一补

2017-09-17 08:30:20
回复
来自szzt99**的评论：

质量超级棒。比起上次的版本来说修正了很多错误。可以很全面的理解发展历程。这次的版本还是修正版本，读起来很爽快。作者的功力可以说是绝对的实力派。这么一大套书估计要读整整一年了。不过千里之行始于足下，不积跬步无以至千里。慢慢理解书中内容。加油了

2017-09-17 23:06:27
回复
来自xin宠儿**的评论：

很好很好很好

2017-09-27 11:29:36
回复
来自无昵称**的评论：

凑满五个字

2017-09-28 13:17:58
回复
来自无昵称**的评论：

13245

2017-09-28 20:52:46
回复
来自小楼一**的评论：

很好！！！

2017-09-29 19:48:21
回复
来自沐***(**的评论：

还不错。。值得拥有

2017-10-06 11:07:31
回复
来自一直走**的评论：

感觉很不错，值得推荐

2017-10-19 07:46:13
回复
来自匿名用**的评论：

包装很好，看完再来评论

2017-10-31 12:44:44
回复
来自乱七八**的评论：

还没看，应该可以

2017-11-02 20:02:35
回复
来自匿名用**的评论：

书中错误不少，还是看英文原版的好，中文的当个参考吧

2017-03-10 09:18:32
回复
来自匿名用**的评论：

一直以为是主要讲方法的，原来主要是讲语言的…

2017-07-07 06:55:48
回复
来自止于至**的评论：

这本书其实非常薄，内容还不错，从基础开始。适合新手阅读。最主要的是整本书都是彩色印刷，阅读体验非常棒。

2017-09-22 17:06:13
回复
来自只***(**的评论：

二百一十多页，不算厚，排版不错，彩印，内容暂时没看

2017-05-04 12:20:00
回复
来自无昵称**的评论：

重要的颠覆性概念常一笔而过，简单的地方却啰嗦。翻一翻

2017-08-03 04:40:48
回复
来自匿名用**的评论：

接下来要做算法，贝叶斯也是很有必要学习的。很不错的一本书，内容不多，但是知识点都不错

2017-06-17 21:48:29
回复
来自匿名用**的评论：

不错的书，将统计思维和统计建模方法明白地展现出来。还有对Pymc库使用方法的直接指导。

2017-08-14 08:21:12
回复
查看更多
评论

免责声明

更多出版社