貝葉斯數據分析-基於R與Python的實現 (第2版) 吳喜之 張敏 9787300339672 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202506*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：貝葉斯數據分析-基於R與Python的實現 (第2版)
ISBN：9787300339672
出版社：中國人民大學
著編譯者：吳喜之 張敏
頁數：266
所在地：中國大陸 *此為代購商品
書號：1745913
可大量預訂，請先連絡。

內容簡介

和傳統頻率派數理統計類似，純粹貝葉斯派的統計屬於模型驅動的範疇，這兩種統計與數據驅動或問題驅動的現代數據科學理念有不小的差距。然而，貝葉斯統計的某些思維模式對於數據科學的機器學習方法有很大的啟發。除了數據科學常用的樸素貝葉斯分類和貝葉斯網絡之外，在神經網絡和深度學習等完全是數據驅動的實踐中，到處都可以看到貝葉斯的影子。當然，這些可能不被純粹的貝葉斯派公開認可，但的確是受到貝葉斯統計思維的影響。長期以來，在英文中，純粹貝葉斯派方法一般用「Bayesian」作為形容詞，而那些有些「離經叛道」的方法通常用「Bayes」作為形容詞。現在這兩者的區別已經不那麼絕對。任何數學體系面對廣大的應用環境，不可能也沒有必要為保持其「純潔性」而止步不前。 除了介紹貝葉斯統計的基本概念之外，本書還介紹了不同貝葉斯模型的數學背景、與貝葉斯模型對應的各種計算方法，並基於數據例子來介紹如何通過各種軟體實現數據分析。本書希望對貝葉斯統計感興趣的廣大群體能夠獲得強有力的計算能力，以發揮他們無窮的想象力和創造力。 除了R和Python之外，本書基本上平行地使用兩個貝葉斯編程的專用軟體：以R為平台的Stan和以Python為平台的PyMC，它們都是人們喜愛的最新的基於MCMC和C++編譯器的貝葉斯編程軟體。之所以平行使用不同軟體，是因為它們各有優缺點，適用於有不同編程習慣的人。當然，不同軟體的使用環境不同，兩個軟體的應用不可能也沒有必要做到百分之百重合，相信讀者能夠通過實踐掌握它們（至少其中之一）。 本書的讀者對象既包括希望了解貝葉斯統計數學概念的讀者，也包括那些希望利用貝葉斯模型來做實際數據分析的讀者。

作者簡介

張敏 重慶工商大學副教授。作為第一（通訊）作者在CSSCI/C SCD/SCI等期刊發表多篇學術論文，主持（參与）多項國家級或省部級課題，以第二作者身份合作出版多部關於統計與數據科學的教材。

目錄

第一部分 基礎篇
第1章 引言
1 1 貝葉斯統計和傳統統計
1 1 1 讓腦筋動起來
1 1 2 傳統數理統計回顧
1 1 3 貝葉斯方法是基於貝葉斯定理髮展起來的用於系統地闡述和解決統計問題的方法
1 2 貝葉斯編程計算的意義
1 3 本書的構成和內容安排
1 4 習題
第2章 基本概念
2 1 概率的規則及貝葉斯定理
2 1 1 概率的規則
2 1 2 概率規則的合理性、貝葉斯定理、優勢比、后驗分佈
2 1 3 貝葉斯和經典統計基本概念的一些比較
2 2 決策的基本概念
2 3 貝葉斯統計的基本概念
2 3 1 貝葉斯定理
2 3 2 似然函數
2 3 3 后驗分佈包含的信息
2 3 4 幾個簡單例子
2 3 5 先驗分佈的形式
2 4 共軛先驗分佈族
2 4 1 常用分佈及其參數的共軛先驗分佈*
2 4 2 指數先驗分佈族的一些結果*
2 5 可能性和最大似然原理
2 6 習題
第二部分 幾個常用初等貝葉斯模型
第3章 比例的推斷:Bernoulli試驗
3 1 採用簡單共軛先驗分佈
3 1 1 例3 1 的關於θ的后驗分佈及其最高密度區域
3 1 2 例3 1 的關於θ的最高密度區域的R代碼計算
3 1 3 例3 1 的關於θ的最高密度區域的Python代碼計算
3 2 稍微複雜的共軛先驗分佈
3 2 1 模型(3 2 1)～(3 2 3)擬合例3 2數據直接按公式計算的R代碼
3 2 2 模型(3 2 1)～(3 2 3)擬合例3 2數據直接按公式計算的Python代碼
3 3 習題
第4章 發生率的推斷:Poisson模型
4 1 Poisson模型和例子
4 2 對例4 1的分析和計算
4 2 2 例4 1最高密度區域的Python代碼
4 3 習題
第5章 正態總體的情況
5 1 正態分佈模型
5 2 均值未知而精度已知的情況
5 2 1 利用公式(5 2 1)、(5 2 2)擬合例5 1的數據(R)
5 2 2 利用公式(5 2 1)、(5 2 2)擬合例5 1數據的后驗最高密度區域(Python)
5 3 兩個參數皆為未知的情況
5 3 1 使用公式(5 3 1)、(5 3 2)對例5 1的分析(R)
5 3 2 使用公式(5 3 1)、(5 3 2)對例5 1的分析(Python)
5 4 習題
第三部分 算法、概率編程及貝葉斯專門軟體
第6章 貝葉斯推斷中的一些算法
6 1 概述
6 2 最大后驗概率法
6 3 拉普拉斯近似
6 4 馬爾可夫鏈蒙特卡羅方法
6 4 1 蒙特卡羅積分
6 4 2 馬爾可夫鏈
6 4 3 MCMC方法綜述
6 4 4 Metropolis算法
6 4 5 Metropolis-Hastings算法
6 4 6 Gibbs抽樣
6 4 7 Hamiltonian蒙特卡羅方法
6 5 EM算法
6 6 變分貝葉斯近似
第7章 概率編程/貝葉斯編程
7 1 引言
7 2 概率編程概述
7 2 1 概率編程要點
7 2 2 先驗分佈的選擇——從概率編程的角度
7 3 貝葉斯計算專用軟體
7 4 R/Stan
7 4 1 概述
7 4 2 安裝
7 4 3 對例7 1的數據運行Stan
7 5 Python/PyMC
7 5 1 概述
7 5 2 安裝
7 5 3 對例7 1的數據運行PyMC
7 6 通過一個著名例子進一步熟悉R/Stan和Python/PyMC
7 6 1 模型(7 6 1)～(7 6 4)的Stan代碼
7 6 2 模型(7 6 1)～(7 6 4)的PyMC代碼
7 7 R中基於Stan的兩個程序包
7 7 1 R/Stan/stanarm程序包
7 7 2 R/Stan/brms程序包
7 8 Python中的BayesPy模塊簡介
7 9 習題
第8章 在常用模型中使用R/Stan和Python/PyMC的例子
8 1 熱身:一些簡單例子
8 1 1 拋硬幣:二項分佈
8 1 2 正態分佈例子
8 1 3 簡單回歸例子
8 1 4 簡單logistic回歸例子
8 2 第3章例子的貝葉斯編程計算Bernoulli/二項分佈模型參數的后驗分佈
8 2 1 模型(8 2 1)～(8 2 3)的Stan代碼
8 2 2 模型(8 2 1)～(8 2 3)的PyMC代碼
8 3 第4章例子的貝葉斯編程計算Poisson模型參數的后驗分佈
8 3 1 模型(4 1 1)和(4 1 2)的Stan代碼
8 3 2 模型(4 1 1)和(4 1 2)的PyMC代碼
8 4 第5章例子的貝葉斯編程計算后驗分佈的正態分佈例子
8 4 1 模型(8 4 1)～(8 4 3)的Stan代碼
8 4 2 模型(8 4 1)～(8 4 3)的PyMC代碼
8 5 習題
第四部分 更多的貝葉斯模型
第9章 貝葉斯廣義線性模型
9 1 指數分佈族和廣義線性模型
9 1 1 指數分佈族的正則形式
9 1 2 廣義線性模型和連接函數
9 2 線性回歸
9 2 1 模型(9 2 1)～(9 2 6)的Stan代碼
9 2 2 模型(9 2 1)～(9 2 6)的PyMC代碼
9 3 二水平變數問題:logistic回歸
9 3 1 模型(9 3 2)～(9 3 4)的Stan代碼
9 3 2 模型(9 3 2)～(9 3 4)的PyMC代碼
9 4 分層線性回歸:多水平模
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。