Python貝葉斯建模與計算奧斯瓦爾多.A.馬丁 9787302654858 【台灣高等教育出版社】

Name: Python貝葉斯建模與計算 奧斯瓦爾多.A.馬丁 9787302654858 【台灣高等教育出版社】
Brand: abooksthep
Price: 623.0 TWD
Availability: InStock

圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：清華大學

NT$623

商品編號:

供貨狀況: 尚有庫存

加入最愛

商品介紹

*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：202403*若逾兩年請先於私訊洽詢存貨情況，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：Python貝葉斯建模與計算
ISBN：9787302654858
出版社：清華大學
著編譯者：奧斯瓦爾多.A.馬丁
頁數：324
所在地：中國大陸 *此為代購商品
書號：1624041
可大量預訂，請先連絡。

內容簡介

《Python貝葉斯建模與計算》旨在幫助貝葉斯初學者成為中級從業者。本書使用了PyMC3、TensorFlow Probability和ArviZ等多個軟體庫的實踐方法，重點是應用統計學的實踐方法，並參考了基礎數學理論。本書首先回顧了貝葉斯推斷的概念。第2章介紹了貝葉斯模型探索性分析的現代方法。基於這兩個基本原理，接下來的章節介紹了各種模型，包括線性回歸、樣條、時間序列和貝葉斯加性回歸樹。其後幾章討論的主題包括：逼近貝葉斯計算，通過端到端案例研究展示如何在不同環境中應用貝葉斯建模，以及概率編程語言內部構件。最後一章深入講述數學理論或擴展對某些主題的討論，作為本書其餘部分的參考。本書由PyMC3、ArviZ、Bambi和TensorFlow Probability等軟體庫的貢獻者撰寫。

作者簡介

奧斯瓦爾多·A 馬丁，是阿根廷IMASL-CONICET和芬蘭阿爾託大學計算機科學系的研究員。他擁有生物物理學和結構生物信息學博士學位。多年來，他日益精進對貝葉斯方面的數據分析問題的研究。他對開發和實現貝葉斯統計和概率建模軟體工具尤其感興趣。

第1章貝葉斯推斷
1 1 貝葉斯建模
1 1 1 貝葉斯模型
1 1 2 貝葉斯推斷介紹
1 2 一個自製採樣器，不要隨意嘗試
1 3 支持自動推斷，反對自動建模
1 4 量化先驗信息的方法
1 4 1 共軛先驗
1 4 2 客觀先驗
1 4 3 最大熵先驗
1 4 4 弱信息先驗與正則化先驗
1 4 5 先驗預測分佈用於評估先驗選擇
1 5 練習
第2章貝葉斯模型的探索性分析
2 1 貝葉斯推斷前後的工作
2 2 理解你的假設
2 3 理解你的預測
2 4 診斷數值推斷
2 4 1 有效樣本量
2 4 2 潛在尺度縮減因子（R）
2 4 3 蒙特卡羅標準差
2 4 4 軌跡圖
2 4 5 自相關圖
2 4 6 秩圖
2 4 7 散度
2 4 8 採樣器的參數和其他診斷方法
2 5 模型比較
2 5 1 交叉驗證和留一法
2 5 2 對數預測密度的期望
2 5 3 帕累托形狀參數k
2 5 4 解讀帕累托參數k較大時的p_loo
2 5 5 LOO-PIT
2 5 6 模型平均
2 6練習第3章線性模型與概率編程語言
3 1 比較兩個或多個組
3 2 線性回歸
3 2 1 一個簡單的線性模型
3 2 2 預測
3 2 3 中心化處理
3 3 多元線性回歸
3 4 廣義線性模型
3 4 1 邏輯回歸
3 4 2 分類模型
3 4 3 解釋對數賠率
3 5 回歸模型的先驗選擇
3 6 練習
第4章擴展線性模型
4 1 轉換預測變數
4 2 可變的不確定性
4 3 引入交互效應
4 4 魯棒的回歸
4 5 池化、多級模型和混合效應
4 5 1 非池化參數
4 5 2 池化參數
4 5 3 組混合與公共參數
4 6 分層模型
4 6 1 后驗幾何形態很重要
4 6 2 分層模型的優勢
4 6 3 分層模型的先驗選擇
4 7 練習
第5章樣條
5 1 多項式回歸
5 2 擴展特徵空間
5 3 樣條的基本原理
5 4 使用Patsy軟體庫構建設計矩陣
5 5 用PyMC3擬合祥條
5 6 選擇樣條的結點和先驗
5 7 用樣條對二氧化碳吸收量建模
5 8 練習
第6章時間序列
6 1 時間序列問題概覽
6 2 將時間序列分析視為回歸問題
6 2 1 時間序列的設計矩陣
6 2 2 基函數和廣義加性模型
6 3 自回歸模型
6 3 1 隱AR過程和平滑
6 3 2 （S）ARIMA（X）
6 4 狀態空間模型
6 4 1 線性高斯狀態空間模型與卡爾曼濾波
6 4 2 ARIMA模型的狀態空間表示
6 4 3 貝葉斯結構化的時間序列
6 5 其他時間序列模型
6 6 模型的評判和先驗選擇
6 7 練習
第7章貝葉斯加性回歸樹
7 1 決策樹
7 2 BART模型
7 3 BART模型先驗
7 3 1 先驗的獨立性
7 3 2 樹結構T的先驗
7 3 3 葉結點值py和樹數量m的先驗
7 4 擬合貝葉斯加性回歸樹
7 5 自行車數據的BART模型
7 6 廣義BART模型
7 7 BART的可解釋性
7 7 1 部分依賴圖
7 7 2 個體條件期望圖
7 8 預測變數的選擇
7 9 PyMC3中BART的先驗選擇
7 10 練習
第8章逼近貝葉斯計算
8 1 超越似然
8 2 逼近的后驗
8 3 用ABC逼近擬合一個高斯
8 4 選擇距離函數、c和統計量
8 4 1 選擇距離函數
8 4 2 選擇C
8 4 3 選擇統計量
8 5 g-and-k分佈
8 6 逼近移動平均
8 7 在ABC場景中做模型比較
8 7 1 邊際似然與L
8 7 2 模型選擇與隨機森林
8 7 3 MA模型的模型選擇
8 8 為ABC選擇先驗
8 9 練習
第9章端到端貝葉斯工作流
9 1 工作流、上下文和問題
9 2 獲取數據
9 2 1 抽樣調查
9 2 2 試驗設計
9 2 3 觀察性研究
9 2 4 缺失數據
9 2 5 應用示例：收集航班延誤數據
9 3 構建不止一個模型
9 3 1 在構建貝葉斯模型前需要問的問題
9 3 2 應用示例：選擇航班延誤的似然
9 4 選擇先驗和預測先驗
9 5 推斷和推斷診斷
9 6 后驗圖
9 7 評估后驗預測分佈
9 8 模型比較
9 9 獎勵函數和決策
9 10 與特定受眾分享結果
9 10 1 分析流程的可重複性
9 10 2 理解受眾
9 10 3 靜態視覺輔助
9 10 4 可重複的計算環境
9 10 5 應用示例：展示航班延誤模型和結論
9 11 試驗性示例：比較兩個組
9 12 練習
第10章概率編程語言
10 1 PPL的系統工程視角
10 2 后驗計算
10 2 1 計算梯度
10 2 2 示例：近實時推斷
10 3 應用編程介面
10 3 1 示例：Stan和Slicstan
10 3 2 示例：PyMC3和PyMC4
10 4 PPL驅動的轉換
10 4 1 對數概率
10 4 2 隨機變數和分佈轉換
10 4 3 示例：有界和無界隨機變數之間的採樣比較
10 5 操作圖和自動重參數化
10 6 異常處理
10 7 基礎語言、代碼生態系統、模塊化
10 8 設計PPL
10 9 應用貝葉斯從
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PChome商店街私訊告知ISBN或書號，我們即儘速上架。