Puntuación:
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.
Ventajas: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.
Desventajas: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)
Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference
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.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)