Métodos Bayesianos para Hackers: Programación probabilística e inferencia bayesiana

Opiniones de los lectores

El libro es una guía práctica para la programación probabilística con PyMC, elogiada por su contenido claro y su enfoque práctico. Sin embargo, varios revisores señalaron problemas con la calidad y claridad de la edición impresa, así como algunos problemas relacionados con la compatibilidad de versiones y errores de código.

Excelente contenido, explicación clara de los conceptos, sólido enfoque de aprendizaje práctico, excelentes materiales complementarios, útiles cuadernos Jupyter disponibles en GitHub, apreciados por servir de puente entre temas para principiantes y avanzados en el análisis bayesiano.

Mala calidad de impresión en las ediciones físicas, formalismo matemático insuficiente, errores de código presentes en el libro, falta de orientación sobre versiones para Python y PyMC, una cantidad abrumadora de código que podría simplificarse, y algunos lo encontraron engañoso en cuanto a su público.

(basado en 45 opiniones de lectores)

Título original:

Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference

Contenido del libro:

Domine la inferencia bayesiana mediante ejemplos prácticos y cálculos, sin análisis matemáticos avanzados.

Los métodos bayesianos de inferencia son profundamente naturales y extremadamente potentes. Sin embargo, la mayoría de las discusiones sobre inferencia bayesiana se basan en análisis matemáticos intensamente complejos y ejemplos artificiales, lo que los hace inaccesibles para cualquiera que no tenga una sólida formación matemática. Ahora, sin embargo, Cameron Davidson-Pilon introduce la inferencia bayesiana desde una perspectiva computacional, tendiendo un puente entre la teoría y la práctica, liberándole para obtener resultados utilizando la potencia de cálculo.

Métodos bayesianos para hackers ilumina la inferencia bayesiana a través de la programación probabilística con el potente lenguaje PyMC y las herramientas de Python estrechamente relacionadas NumPy, SciPy y Matplotlib. Usando este enfoque, puede alcanzar soluciones efectivas en pequeños incrementos, sin una extensa intervención matemática.

Davidson-Pilon comienza introduciendo los conceptos subyacentes a la inferencia bayesiana, comparándola con otras técnicas y guiándole en la construcción y entrenamiento de su primer modelo bayesiano. A continuación, presenta PyMC a través de una serie de ejemplos detallados y explicaciones intuitivas que se han perfeccionado a partir de los comentarios de los usuarios. Aprenderá a utilizar el algoritmo Markov Chain Monte Carlo, a elegir el tamaño de las muestras y las variables a priori adecuadas, a trabajar con funciones de pérdida y a aplicar la inferencia bayesiana en ámbitos que van desde las finanzas hasta el marketing. Una vez que haya dominado estas técnicas, recurrirá constantemente a esta guía para obtener el código PyMC de trabajo que necesita para poner en marcha futuros proyectos.

Incluye

- Aprender el «estado mental» bayesiano y sus implicaciones prácticas.

- Comprender cómo los ordenadores realizan la inferencia bayesiana.

- Uso de la biblioteca PyMC de Python para programar análisis bayesianos.

- Construir y depurar modelos con PyMC.

- Comprobación de la «bondad de ajuste» del modelo.

- Abrir la «caja negra» del algoritmo Markov Chain Monte Carlo para ver cómo y por qué funciona.

- Aprovechar el poder de la «Ley de los Grandes Números».

- Dominar conceptos clave, como la agrupación, la convergencia, la autocorrelación y el adelgazamiento.

- Utilizar funciones de pérdida para medir los puntos débiles de una estimación en función de los objetivos y resultados deseados.

- Selección de factores previos adecuados y comprensión de cómo cambia su influencia con el tamaño del conjunto de datos.

- Superar el dilema «exploración frente a explotación»: decidir cuándo «bastante bueno» es suficientemente bueno.

- Uso de la inferencia bayesiana para mejorar las pruebas A/B.

- Resolver problemas de ciencia de datos cuando sólo se dispone de pequeñas cantidades de datos.

Cameron Davidson-Pilon ha trabajado en muchos campos de las matemáticas aplicadas, desde la dinámica evolutiva de genes y enfermedades hasta la modelización estocástica de precios financieros. Entre sus contribuciones a la comunidad de código abierto destaca lifelines, una aplicación de análisis de supervivencia en Python. Formado en la Universidad de Waterloo y en la Universidad Independiente de Moscú, actualmente trabaja con el líder del comercio en línea Shopify.