本书介绍了贝叶斯统计中的主要概念，以及将其应用于数据分析的方法。本书采用编程计算的实用方法介绍了贝叶斯建模的基础，使用一些手工构造的数据和一部分简单的真实数据来解释和探索贝叶斯框架中的核心概念，然后在本书涉及的模型中，抽象出了线性模型用于解决回归和分类问题，此外还详细解释了混合模型和分层模型，并单独用一章讨论了如何做模型选择，还简单介绍了非参模型和高斯过程。
售 价：¥
纸质售价：¥51.70购买纸书
6.4
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
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
1.2 概率与不确定性
1.3 单参数推断
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
2.2 PyMC3介绍
2.3 总结后验
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
3.3 组间比较
3.4 分层模型
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
4.2 鲁棒线性回归
4.3 分层线性回归
4.4 多项式回归
4.5 多元线性回归
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
5.2 多元逻辑回归
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
6.2 正则先验
6.3 衡量预测准确性
6.4 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
7.2 基于模型的聚类
7.3 连续混合模型
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
8.3 高斯过程
8.4 总结
8.5 深入阅读
8.6 练习
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
