科技 类型
可以朗读 语音朗读
149千字 字数
2018-02-01 发行日期
展开全部

主编推荐语

贝叶斯思维方法实战，用PyMC3构建概率模型。使用Python3.5编写，PyMOL社区活跃者倾情奉献，发现Python贝叶斯分析的力量。

内容简介

本书首先介绍贝叶斯框架的关键概念，而后探讨广义线性模型的强大功能和灵活性，以及如何把它们用到一系列广泛的问题中，包括回归和分类。同时，本书也探讨了一些高级课题，包括混合模型和高斯过程等。无论数据科学的新手，还是有经验的专业人士，都可以从本书受益。

目录

  • 版权信息
  • 内容提要
  • 作译者简介
  • 作者简介
  • 技术审校者简介
  • 译者简介
  • 中文版审校者简介
  • 前言
  • 本书结构
  • 准备工作
  • 读者对象
  • 惯例
  • 读者反馈
  • 客户支持
  • 第1章 概率思维——贝叶斯推断指南
  • 1.1 以建模为中心的统计学
  • 1.1.1 探索式数据分析
  • 1.1.2 统计推断
  • 1.2 概率与不确定性
  • 1.2.1 概率分布
  • 1.2.2 贝叶斯定理与统计推断
  • 1.3 单参数推断
  • 1.3.1 抛硬币问题
  • 1.3.2 报告贝叶斯分析结果
  • 1.3.3 模型注释和可视化
  • 1.3.4 总结后验
  • 1.4 后验预测检查
  • 1.5 安装必要的Python库
  • 1.6 总结
  • 1.7 练习
  • 第2章 概率编程——PyMC3编程指南
  • 2.1 概率编程
  • 2.1.1 推断引擎
  • 2.2 PyMC3介绍
  • 2.2.1 用计算的方法解决抛硬币问题
  • 2.3 总结后验
  • 2.3.1 基于后验的决策
  • 2.4 总结
  • 2.5 深入阅读
  • 2.6 练习
  • 第3章 多参和分层模型
  • 3.1 冗余参数和边缘概率分布
  • 3.2 随处可见的高斯分布
  • 3.2.1 高斯推断
  • 3.2.2 鲁棒推断
  • 3.3 组间比较
  • 3.3.1 “小费”数据集
  • 3.3.2 Cohen’s d
  • 3.3.3 概率优势
  • 3.4 分层模型
  • 3.4.1 收缩
  • 3.5 总结
  • 3.6 深入阅读
  • 3.7 练习
  • 第4章 利用线性回归模型理解并预测数据
  • 4.1 一元线性回归
  • 4.1.1 与机器学习的联系
  • 4.1.2 线性回归模型的核心
  • 4.1.3 线性模型与高自相关性
  • 4.1.4 对后验进行解释和可视化
  • 4.1.5 皮尔逊相关系数
  • 4.2 鲁棒线性回归
  • 4.3 分层线性回归
  • 4.3.1 相关性与因果性
  • 4.4 多项式回归
  • 4.4.1 解释多项式回归的系数
  • 4.4.2 多项式回归——终极模型？
  • 4.5 多元线性回归
  • 4.5.1 混淆变量和多余变量
  • 4.5.2 多重共线性或相关性太高
  • 4.5.3 隐藏的有效变量
  • 4.5.4 增加相互作用
  • 4.6 glm模块
  • 4.7 总结
  • 4.8 深入阅读
  • 4.9 练习
  • 第5章 利用逻辑回归对结果进行分类
  • 5.1 逻辑回归
  • 5.1.1 逻辑回归模型
  • 5.1.2 鸢尾花数据集
  • 5.1.3 将逻辑回归模型应用到鸢尾花数据集
  • 5.2 多元逻辑回归
  • 5.2.1 决策边界
  • 5.2.2 模型实现
  • 5.2.3 处理相关变量
  • 5.2.4 处理类别不平衡数据
  • 5.2.5 如何解决类别不平衡的问题
  • 5.2.6 解释逻辑回归的系数
  • 5.2.7 广义线性模型
  • 5.2.8 Softmax回归或多项逻辑回归
  • 5.3 判别式和生成式模型
  • 5.4 总结
  • 5.5 深入阅读
  • 5.6 练习
  • 第6章 模型比较
  • 6.1 奥卡姆剃刀——简约性与准确性
  • 6.1.1 参数太多导致过拟合
  • 6.1.2 参数太少导致欠拟合
  • 6.1.3 简洁性与准确性之间的平衡
  • 6.2 正则先验
  • 6.2.1 正则先验和多层模型
  • 6.3 衡量预测准确性
  • 6.3.1 交叉验证
  • 6.3.2 信息量准则
  • 6.3.3 用PyMC3计算信息量准则
  • 6.3.4 解释和使用信息校准
  • 6.3.5 后验预测检查
  • 6.4 贝叶斯因子
  • 6.4.1 类比信息量准则
  • 6.4.2 计算贝叶斯因子
  • 6.5 贝叶斯因子与信息量准则
  • 6.6 总结
  • 6.7 深入阅读
  • 6.8 练习
  • 第7章 混合模型
  • 7.1 混合模型
  • 7.1.1 如何构建混合模型
  • 7.1.2 边缘高斯混合模型
  • 7.1.3 混合模型与计数类型变量
  • 7.1.4 鲁棒逻辑回归
  • 7.2 基于模型的聚类
  • 7.2.1 固定成分聚类
  • 7.2.2 非固定成分聚类
  • 7.3 连续混合模型
  • 7.3.1 beta-二项分布与负二项分布
  • 7.3.2 t分布
  • 7.4 总结
  • 7.5 深入阅读
  • 7.6 练习
  • 第8章 高斯过程
  • 8.1 非参统计
  • 8.2 基于核函数的模型
  • 8.2.1 高斯核函数
  • 8.2.2 核线性回归
  • 8.2.3 过拟合与先验
  • 8.3 高斯过程
  • 8.3.1 构建协方差矩阵
  • 8.3.2 根据高斯过程做预测
  • 8.3.3 用PyMC3实现高斯过程
  • 8.4 总结
  • 8.5 深入阅读
  • 8.6 练习
  • 欢迎来到异步社区！
  • 异步社区的来历
  • 社区里都有什么？
  • 灵活优惠的购书
  • 社区里还可以做什么？
  • 加入异步
展开全部

评分及书评

评分不足
2个评分
  • 用户头像
    给这本书评了
    5.0

    本书从务实和编程的角度讲解了贝叶斯统计中的主要概念，并介绍了如何使用流行的 PyMC3 来构建概率模型。阅读本书，读者将掌握实现、检查和扩展贝叶斯统计模型，从而提升解决一系列数据分析问题的能力。本书不要求读者有任何统计学方面的基础，但需要读者有使用 Python 编程方面的经验。

      转发
      评论

    出版方

    人民邮电出版社

    人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。