Python貝葉斯分析（第2版）

定　價：￥119.80

作　者：	[阿根廷] 奧斯瓦爾多·馬丁（Osvaldo Martin）
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥89.80)

ISBN：	9787115600899	出版時間：	2023-04-01	包裝：	平裝-膠訂
開本：	128開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書是一本概率編程的入門書。本書使用概率編程庫 PyMC3以及可視化庫 ArviZ對貝葉斯統(tǒng)計分析的相關(guān)知識進行講解，包括概率思維、概率編程、線性回歸建模、廣義線性模型、模型比較、混合模型、高斯過程以及推斷引擎等知識。全書圖文并茂，通俗易懂，適合具備一定 Python基礎(chǔ)的讀者學習使用。學完本書，讀者可以利用概率思維建立貝葉斯模型并解決自己的數(shù)據(jù)分析問題。

作者簡介

　　奧斯瓦爾多·馬丁（ Osvaldo Martin）是阿根廷國家科學與技術(shù)研究理事會（CONICET）的一名研究員。他曾從事蛋白質(zhì)、多糖及 RNA分子等結(jié)構(gòu)生物信息學方面的研究，此外，在應(yīng)用馬爾可夫鏈蒙特卡洛方法模擬分子動力學方向上有著豐富的經(jīng)驗，他喜歡用 Python解決數(shù)據(jù)分析中的問題。他曾講授結(jié)構(gòu)生物信息學、數(shù)據(jù)科學以及貝葉斯數(shù)據(jù)分析相關(guān)的課程，在 2017年帶頭組建了阿根廷圣路易斯 PyData委員會。同時，他也是 PyMC3以及 ArviZ兩個項目的核心開發(fā)者之一。

圖書目錄

第 1 章　概率思維　1
1.1 統(tǒng)計學、模型以及本書采用的方法　1
1.1.1 與數(shù)據(jù)打交道　2
1.1.2 貝葉斯建?！?
1.2 概率論　4
1.2.1 解釋概率　4
1.2.2 定義概率　6
1.3 單參數(shù)推斷　14
1.4 報告貝葉斯分析結(jié)果　23
1.4.1 模型表示和可視化　23
1.4.2 總結(jié)后驗　24
1.5 后驗預測檢查　26
1.6 總結(jié)　27
1.7 練習　28
第 2 章　概率編程　30
2.1 簡介　31
2.2 PyMC3 指南　32
2.3 總結(jié)后驗　34
2.4 隨處可見的高斯分布　41
2.4.1 高斯推斷　41
2.4.2 魯棒推斷　46
2.5 組間比較　50
2.5.1 Cohen’s d　52
2.5.2 概率優(yōu)勢　53
2.5.3 “小費”數(shù)據(jù)集　53
2.6 分層模型　57
2.6.1 收縮　60
2.6.2 額外的例子　63
2.7 總結(jié)　66
2.8 練習　67
第3 章　線性回歸建?！?9
3.1 一元線性回歸　69
3.1.1 與機器學習的聯(lián)系　70
3.1.2 線性回歸模型的核心　71
3.1.3 線性模型與高自相關(guān)性　75
3.1.4 對后驗進行解釋和可視化　77
3.1.5 皮爾遜相關(guān)系數(shù)　80
3.2 魯棒線性回歸　84
3.3 分層線性回歸　87
3.4 多項式回歸　94
3.4.1 解釋多項式回歸的系數(shù)　96
3.4.2 多項式回歸——終極模型　97
3.5 多元線性回歸　97
3.5.1 混淆變量和多余變量　101
3.5.2 多重共線性或相關(guān)性太高　104
3.5.3 隱藏效果變量　107
3.5.4 增加相互作用　109
3.5.5 變量的方差　110
3.6 總結(jié)　113
3.7 練習　114
第4 章　廣義線性模型　117
4.1 簡介　117
4.2 邏輯回歸　118
4.2.1 邏輯回歸模型　119
4.2.2 鳶尾花數(shù)據(jù)集　120
4.3 多元邏輯回歸　125
4.3.1 決策邊界　125
4.3.2 模型實現(xiàn)　126
4.3.3 解釋邏輯回歸的系數(shù)　127
4.3.4 處理相關(guān)變量　130
4.3.5 處理不平衡分類　131
4.3.6 softmax 回歸　133
4.3.7 判別式模型和生成式模式　135
4.4 泊松回歸　137
4.4.1 泊松分布　137
4.4.2 零膨脹泊松模型　139
4.4.3 泊松回歸和ZIP 回歸　141
4.5 魯棒邏輯回歸　143
4.6 GLM 模型　144
4.7 總結(jié)　145
4.8 練習　146
第5 章模型比較　148
5.1 后驗預測檢查　148
5.2 奧卡姆剃刀原理——簡單性和準確性　153
5.2.1 參數(shù)過多會導致過擬合　155
5.2.2 參數(shù)太少會導致欠擬合　156
5.2.3 簡單性與準確性之間的平衡　157
5.2.4 預測精度度量　157
5.3 信息準則　159
5.3.1 對數(shù)似然和偏差　159
5.3.2 赤池信息量準則　160
5.3.3 廣泛適用的信息準則　161
5.3.4 帕累托平滑重要性采樣留一法交叉驗證　161
5.3.5 其他信息準則　161
5.3.6 使用PyMC3 比較模型　162
5.3.7 模型平均　165
5.4 貝葉斯因子　168
5.4.1 一些討論　169
5.4.2 貝葉斯因子與信息準則　173
5.5 正則化先驗　176
5.6 深入WAIC　177
5.6.1 熵　178
5.6.2 KL 散度　180
5.7 總結(jié)　182
5.8 練習　183
第6 章混合模型　185
6.1 簡介　185
6.2 有限混合模型　187
6.2.1 分類分布　188
6.2.2 狄利克雷分布　189
6.2.3 混合模型的不可辨識性　192
6.2.4 怎樣選擇K 194
6.2.5 混合模型與聚類　198
6.3 非有限混合模型　199
6.4 連續(xù)混合模型　206
6.4.1 貝塔-二項分布和負二項分布　207
6.4.2 t 分布　207
6.5 總結(jié)　208
6.6 練習　209
第7 章高斯過程　210
7.1 線性模型和非線性數(shù)據(jù)　210
7.2 建模函數(shù)　211
7.2.1 多元高斯函數(shù)　213
7.2.2 協(xié)方差函數(shù)與核函數(shù)　213
7.3 高斯過程回歸　217
7.4 空間自相關(guān)回歸　222
7.5 高斯過程分類　229
7.6 Cox 過程　235
7.6.1 煤礦災害　236
7.6.2 紅杉數(shù)據(jù)集　238
7.7 總結(jié)　241
7.8 練習　241
第8 章推斷引擎　243
8.1 簡介　243
8.2 非馬爾可夫方法　245
8.2.1 網(wǎng)格計算　245
8.2.2 二次近似法　247
8.2.3 變分法　249
8.3 馬爾可夫方法　252
8.3.1 蒙特卡洛　253
8.3.2 馬爾可夫鏈　255
8.3.3 梅特羅波利斯- 黑斯廷斯算法　255
8.3.4 哈密頓蒙特卡洛　259
8.3.5 序貫蒙特卡洛　261
8.4 樣本診斷　263
8.4.1 收斂　264
8.4.2 蒙特卡洛誤差　268
8.4.3 自相關(guān)　268
8.4.4 有效樣本量　269
8.4.5 分歧　270
8.5 總結(jié)　273
8.6 練習　273
第9 章拓展學習　274