Python贝叶斯模型与计算

字数统计: 703字 | 阅读时长: 2分

2022-01-16

摘要: 《Python贝叶斯模型与计算》

【对算法，数学，计算机感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：算法题刷刷
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

这是一本贝叶斯计算的书，2021 年的。贝叶斯方法-概率编程与贝叶斯推断是一本类似的 2017 年的书。

这本书的目的是为贝叶斯统计这个主题提供一个现代的视角，从基本原理来构建一个坚实的基础到现代贝叶斯工作流和工具的应用。

读完本书的目标是熟悉贝叶斯推理，而且会对贝叶斯模型进行探索性分析，包括模型比较、诊断、评估和结果的交流。

本书中使用Python编程语言。主要关注 PyMC3 和 TensorFlow Probability(TFP)，作为模型构建和推理的主要概率编程语言，并使用 ArviZ 作为主要的库来探索性分析贝叶斯模型。

贝叶斯推断

提供了对贝叶斯推理的基本和中心概念的复习或快速介绍。

介绍了贝叶斯模型的探索性分析。引入了贝叶斯工作流中的许多概念。

是专门介绍了一个特定的模型体系结构。主要涉及线性回归模型，PyMC3 和 TensorFlow Probability。

扩展了线性回归模型，并讨论了更高级的主题，如稳健回归、层次模型和模型重参数化。

介绍了基函数，特别是作为线性模型扩展的样条，它允许我们构建更灵活的模型。

重点介绍时间序列模型，从时间序列的回归建模到更复杂的模型，如ARIMA和线性高斯状态空间模型。本章使用TensorFlow Probability。

介绍了贝叶斯可加回归树的非参数模型。我们讨论了这个模型的可解释性和可变重要性。

将关注近似贝叶斯计算(ABC)框架，它对于我们没有明确的可能性公式的问题是有用的。

对端到端贝叶斯工作流进行了概述。它展示了商业环境中的观察性研究和研究环境中的实验性研究。本章使用PyMC3。

深入探讨了概率编程语言。本章将介绍各种不同的概率编程语言。