掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>>
基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū)貝葉斯數(shù)據(jù)分析:基于R與Python的實(shí)現(xiàn)/基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū)
本類五星書(shū)更多>
-
>
中醫(yī)基礎(chǔ)理論
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國(guó)特色社會(huì)主義理論體系概論(2021年版)
-
>
中醫(yī)內(nèi)科學(xué)·全國(guó)中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
-
>
中醫(yī)診斷學(xué)--新世紀(jì)第五版
-
>
中藥學(xué)·全國(guó)中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
中圖價(jià):¥33.1
加入購(gòu)物車
基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū)貝葉斯數(shù)據(jù)分析:基于R與Python的實(shí)現(xiàn)/基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū) 版權(quán)信息
- ISBN：9787300283258
- 條形碼：9787300283258 ; 978-7-300-28325-8
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>>
基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū)貝葉斯數(shù)據(jù)分析:基于R與Python的實(shí)現(xiàn)/基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū) 內(nèi)容簡(jiǎn)介
貝葉斯統(tǒng)計(jì)是和基于頻率的傳統(tǒng)統(tǒng)計(jì) (頻率派統(tǒng)計(jì)) 不同的一套關(guān)于統(tǒng)計(jì)推斷或決策
的理論、方法與實(shí)踐. 本書(shū)除了介紹貝葉斯統(tǒng)計(jì)的基本概念之外, 還介紹了不同貝葉斯模型的數(shù)學(xué)背景、與貝葉斯模型對(duì)應(yīng)的各種計(jì)算方法, 并基于數(shù)據(jù)例子來(lái)介紹如何通過(guò)各種軟件實(shí)現(xiàn)數(shù)據(jù)分析.本書(shū)使用的軟件是以 R 為平臺(tái)的 Stan 和以 Python 為平臺(tái)的 PyMC3, 它們都是人們喜愛(ài)的近期新的基于 MCMC 和C++ 編譯器的貝葉斯編程軟件. 相信讀者能夠通過(guò)實(shí)踐掌握它們。
本書(shū)希望使對(duì)貝葉斯統(tǒng)計(jì)感興趣的廣大群體獲得強(qiáng)有力的計(jì)算能力, 以發(fā)揮他們無(wú)窮的想象力和創(chuàng)造力.
基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū)貝葉斯數(shù)據(jù)分析:基于R與Python的實(shí)現(xiàn)/基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū) 目錄
**部分 基礎(chǔ)篇
第1章 引言
1．1 為什么用貝葉斯
1．1．1 傳統(tǒng)數(shù)理統(tǒng)計(jì)的先天缺陷
1．1．2 貝葉斯方法是基于貝葉斯定理發(fā)展起來(lái)的用于系統(tǒng)地闡述和解決統(tǒng)計(jì)問(wèn)題的方法
1．2 本書(shū)所強(qiáng)調(diào)的貝葉斯編程計(jì)算的意義
1．3 本書(shū)的構(gòu)成和內(nèi)容安排
1．4 習(xí)題
第2章 基本概念
2．1 概率的規(guī)則及貝葉斯定理
2．1．1 概率的規(guī)則
2．1．2 概率規(guī)則的合理性、貝葉斯定理、優(yōu)勢(shì)比、后驗(yàn)分布
2．1．3 貝葉斯和經(jīng)典統(tǒng)計(jì)基本概念的一些比較
2．2 決策的基本概念
2．3 貝葉斯統(tǒng)計(jì)的基本概念
2．3．1 貝葉斯定理
2．3．2 似然函數(shù)
2．3．3 后驗(yàn)分布包含的信息
2．3．4 幾個(gè)簡(jiǎn)單例子
2．3．5 先驗(yàn)分布的形式
2．4 共軛先驗(yàn)分布族
2．4．1 常用分布及其參數(shù)的共軛先驗(yàn)分布*
2．4．2 指數(shù)先驗(yàn)分布族的一些理論結(jié)果*
2．5 習(xí)題
第3章 基本軟件： R和Python
3．1 R 簡(jiǎn)介――為領(lǐng)悟而運(yùn)行
3．1．1 簡(jiǎn)介
3．1．2 安裝和運(yùn)行小貼士
3．1．3 動(dòng)手
3．1．4 實(shí)踐
3．2 Python 簡(jiǎn)介――為領(lǐng)悟而運(yùn)行
3．2．1 引言
3．2．2 安裝
3．2．3 基本模塊的編程
3．2．4 Numpy 模塊
3．2．5 Pandas 模塊
3．2．6 Matplotlib 模塊
3．3 習(xí)題
第二部分 幾個(gè)常用初等貝葉斯模型71
第4章 比例的推斷： Bernoulli 試驗(yàn)
4．1 采用簡(jiǎn)單共軛先驗(yàn)分布
4．1．1 例4．1 的關(guān)于θ的后驗(yàn)分布及其*高密度區(qū)域
4．1．2 例4．1 的關(guān)于θ 的*高密度區(qū)域的R 代碼計(jì)算
4．1．3 例4．1 的關(guān)于θ 的*高密度區(qū)域的Python 代碼計(jì)算
4．2 稍微復(fù)雜的共軛先驗(yàn)分布
4．2．1 模型(4．2．1) ～ (4．2．3) 擬合例
4．2 數(shù)據(jù)直接按公式計(jì)算的R 代碼
4．2．2 模型(4．2．1) ～ (4．2．3) 擬合例
4．2 數(shù)據(jù)直接按公式計(jì)算的Python 代碼
4．3 習(xí)題
第5章 發(fā)生率的推斷： Poisson 模型
5．1 Poisson 模型和例子
5．2 對(duì)例5．1 的分析和計(jì)算
5．2．1 通過(guò)R代碼利用公式分析例5．1
5．2．2 例5．1 *高密度區(qū)域的Python代碼
5．3 習(xí)題
第6章 正態(tài)總體的情況
6．1 正態(tài)分布模型
6．2 均值未知而精度已知的情況
6．2．1 利用公式(6．2．1)、(6．2．2) 擬合例6．1 的數(shù)據(jù)(R)
6．2．2 利用公式(6．2．1)、(6．2．2) 擬合例6．1 數(shù)據(jù)的后驗(yàn)*高密度區(qū)域(Python)
6．3 兩個(gè)參數(shù)皆為未知的情況
6．3．1 使用公式(6．3．1)、(6．3．2) 對(duì)例6．1 的分析(R)
6．3．2 使用公式(6．3．1)、(6．3．2) 對(duì)例6．1 的分析(Python)
6．4 習(xí)題
第三部分 算法、概率編程及貝葉斯專門(mén)軟件
第7章 貝葉斯推斷中的一些算法
7．1 *大后驗(yàn)概率法
7．2 拉普拉斯近似
7．3 馬爾可夫鏈蒙特卡羅方法
7．3．1 蒙特卡羅積分
7．3．2 馬爾可夫鏈
7．3．3 MCMC 方法綜述
7．3．4 Metropolis 算法
7．3．5 Metropolis-Hastings 算法
7．3．6 Gibbs 抽樣
7．3．7 Hamiltonian 蒙特卡羅方法
7．4 EM 算法
7．5 變分貝葉斯近似
第8章 概率編程/貝葉斯編程
8．1 引言
8．2 概率編程概述
8．2．1 概率編程要點(diǎn)
8．2．2 先驗(yàn)分布的選擇――從概率編程的角度
8．3 貝葉斯計(jì)算專用軟件
8．4 R/Stan
8．4．1 概述
8．4．2 安裝
8．4．3 對(duì)例8．1 的數(shù)據(jù)運(yùn)行R/Stan
8．5 Python/PyMC3
8．5．1 概述
8．5．2 安裝
8．5．3 對(duì)例8．1 的數(shù)據(jù)運(yùn)行Python/PyMC3
8．6 通過(guò)一個(gè)著名例子進(jìn)一步熟悉R/Stan 和Python/PyMC3
8．6．1 R/Stan 關(guān)于例8．2 的模型(8．6．1) ～ (8．6．4) 的代碼
8．6．2 Python/PyMC3 關(guān)于例8．2的模型(8．6．1) ～ (8．6．4) 的代碼
8．7 R 中基于Stan 的兩個(gè)程序包
8．7．1 R 中基于Stan 的rstanarm 程序包
8．7．2 R 中基于Stan 的brms 程序包
8．8 Python 中的BayesPy 模塊簡(jiǎn)介
8．9 習(xí)題
第9章 在常用模型中使用R/Stan和Python/PyMC3 的例子
9．1 熱身： 一些簡(jiǎn)單例子
9．1．1 拋硬幣： 二項(xiàng)分布
9．1．2 正態(tài)分布例子
9．1．3 簡(jiǎn)單回歸例子
9．1．4 簡(jiǎn)單logistic 回歸例子
9．2 第4章例子的貝葉斯編程計(jì)算Bernoulli/二項(xiàng)分布模型參數(shù)的后驗(yàn)分布
9．2．1 通過(guò)R/Stan 用模型(9．2．1) ～(9．2．3) 擬合例4．2 的數(shù)據(jù)
9．2．2 通過(guò)Python/PyMC3 用模型(9．2．1) ～ (9．2．3) 擬合例4．2 的數(shù)據(jù)
9．3 第5章例子的貝葉斯編程計(jì)算Poisson 模型參數(shù)的后驗(yàn)分布
9．3．1 使用R/Stan 的代碼用模型(5．1．1)、(5．1．2) 擬合例5．1 的數(shù)據(jù)
9．3．2 使用Python/PyMC3 的代碼用模型(5．1．1)、(5．1．2) 擬合例5．1的數(shù)據(jù)
9．4 第6章例子的貝葉斯編程計(jì)算后驗(yàn)分布的正態(tài)分布例子
9．4．1 通過(guò)R/Stan 代碼用模型(9．4．1) ～ (9．4．3) 擬合例6．1 的數(shù)據(jù)
9．4．2 通過(guò)Python/PyMC3 代碼用模型(9．4．1) ～ (9．4．3) 擬合例6．1 的數(shù)據(jù)
9．5 習(xí)題
第四部分 更多的貝葉斯模型185
第10章 貝葉斯廣義線性模型
10．1 可能性和*大似然原理
10．2 指數(shù)分布族和廣義線性模型
10．2．1 指數(shù)分布族的典則形式
10．2．2 廣義線性模型和連接函數(shù)
10．3 線性回歸
10．3．1 應(yīng)用R/Stan 代碼于例10．3的模型(10．3．1) ～ (10．3．6)
10．3．2 應(yīng)用Python/PyMC3 代碼于例10．3 的模型(10．3．1) ～ (10．3．6)
10．4 二水平變量問(wèn)題： logistic 回歸
10．4．1 應(yīng)用R/Stan 代碼于例10．4的模型(10．4．2) ～ (10．4．4)
10．4．2 應(yīng)用Python/PyMC3 代碼于例10．4 的模型(10．4．2) ～ (10．4．4)
10．5 分層線性回歸： 多水平模型
10．5．1 應(yīng)用R/Stan 代碼于例10．5的模型(10．5．3) ～ (10．5．6)
10．5．2 應(yīng)用Python/PyMC3 代碼于例10．5 的模型(10．5．3) ～ (10．5．6)
10．6 分層logistic 回歸
10．6．1 應(yīng)用R/Stan 代碼于例10．6的模型(10．6．2) ～ (10．6．5)
10．6．2 應(yīng)用Python/PyMC3 代碼于例10．6 的模型(10．6．2) ～ (10．6．5)
10．7 習(xí)題
第11章 生存分析
11．1 生存分析的基本概念
11．1．1 本章的例子
11．1．2 Cox PH 模型
11．1．3 參數(shù)PH 模型
11．1．4 加速失效時(shí)間模型
11．2 數(shù)值計(jì)算例子
11．2．1 Cox PH 模型*
11．2．2 AFT 模型： Weibull 分布
11．2．3 AFT 模型： log-logistic 分布
11．2．4 Weibull 模型
11．3 習(xí)題
第12章 樸素貝葉斯
12．1 基本概念
12．1．1 類條件獨(dú)立性假定
12．1．2 樸素貝葉斯分類器類型
12．2 樸素貝葉斯方法分類數(shù)值例子
12．3 本章的Python 代碼
12．4 習(xí)題
第13章 貝葉斯網(wǎng)絡(luò)
13．1 概述
13．1．1 基本概念
13．1．2 貝葉斯網(wǎng)絡(luò)的難點(diǎn)及優(yōu)缺點(diǎn)
13．1．3 貝葉斯網(wǎng)絡(luò)的一個(gè)簡(jiǎn)單例子
13．2 學(xué)習(xí)貝葉斯網(wǎng)絡(luò)
13．2．1 貝葉斯網(wǎng)絡(luò)中的條件獨(dú)立性概念
13．2．2 網(wǎng)絡(luò)學(xué)習(xí)算法的種類
13．2．3 幾種可能面對(duì)的問(wèn)題
13．3 貝葉斯網(wǎng)絡(luò)的數(shù)值例子及計(jì)算
13．3．1 全部變量是離散變量的情況
13．3．2 全部變量是連續(xù)變量的情況
13．3．3 連續(xù)變量和離散變量混合的情況
第14章 隱馬爾可夫模型*
14．1 概述
14．2 HMM 的三個(gè)主要問(wèn)題
14．2．1 評(píng)估問(wèn)題
14．2．2 解碼問(wèn)題
14．2．3 學(xué)習(xí)問(wèn)題
14．3 HMM 的數(shù)值例子和計(jì)算
14．3．1 數(shù)值例子
14．3．2 使用HMM 方法于例14．1(R)
14．3．3 使用HMM 方法于例14．1(Python)
參考文獻(xiàn)
第1章 引言
1．1 為什么用貝葉斯
1．1．1 傳統(tǒng)數(shù)理統(tǒng)計(jì)的先天缺陷
1．1．2 貝葉斯方法是基于貝葉斯定理發(fā)展起來(lái)的用于系統(tǒng)地闡述和解決統(tǒng)計(jì)問(wèn)題的方法
1．2 本書(shū)所強(qiáng)調(diào)的貝葉斯編程計(jì)算的意義
1．3 本書(shū)的構(gòu)成和內(nèi)容安排
1．4 習(xí)題
第2章 基本概念
2．1 概率的規(guī)則及貝葉斯定理
2．1．1 概率的規(guī)則
2．1．2 概率規(guī)則的合理性、貝葉斯定理、優(yōu)勢(shì)比、后驗(yàn)分布
2．1．3 貝葉斯和經(jīng)典統(tǒng)計(jì)基本概念的一些比較
2．2 決策的基本概念
2．3 貝葉斯統(tǒng)計(jì)的基本概念
2．3．1 貝葉斯定理
2．3．2 似然函數(shù)
2．3．3 后驗(yàn)分布包含的信息
2．3．4 幾個(gè)簡(jiǎn)單例子
2．3．5 先驗(yàn)分布的形式
2．4 共軛先驗(yàn)分布族
2．4．1 常用分布及其參數(shù)的共軛先驗(yàn)分布*
2．4．2 指數(shù)先驗(yàn)分布族的一些理論結(jié)果*
2．5 習(xí)題
第3章 基本軟件： R和Python
3．1 R 簡(jiǎn)介――為領(lǐng)悟而運(yùn)行
3．1．1 簡(jiǎn)介
3．1．2 安裝和運(yùn)行小貼士
3．1．3 動(dòng)手
3．1．4 實(shí)踐
3．2 Python 簡(jiǎn)介――為領(lǐng)悟而運(yùn)行
3．2．1 引言
3．2．2 安裝
3．2．3 基本模塊的編程
3．2．4 Numpy 模塊
3．2．5 Pandas 模塊
3．2．6 Matplotlib 模塊
3．3 習(xí)題
第二部分 幾個(gè)常用初等貝葉斯模型71
第4章 比例的推斷： Bernoulli 試驗(yàn)
4．1 采用簡(jiǎn)單共軛先驗(yàn)分布
4．1．1 例4．1 的關(guān)于θ的后驗(yàn)分布及其*高密度區(qū)域
4．1．2 例4．1 的關(guān)于θ 的*高密度區(qū)域的R 代碼計(jì)算
4．1．3 例4．1 的關(guān)于θ 的*高密度區(qū)域的Python 代碼計(jì)算
4．2 稍微復(fù)雜的共軛先驗(yàn)分布
4．2．1 模型(4．2．1) ～ (4．2．3) 擬合例
4．2 數(shù)據(jù)直接按公式計(jì)算的R 代碼
4．2．2 模型(4．2．1) ～ (4．2．3) 擬合例
4．2 數(shù)據(jù)直接按公式計(jì)算的Python 代碼
4．3 習(xí)題
第5章 發(fā)生率的推斷： Poisson 模型
5．1 Poisson 模型和例子
5．2 對(duì)例5．1 的分析和計(jì)算
5．2．1 通過(guò)R代碼利用公式分析例5．1
5．2．2 例5．1 *高密度區(qū)域的Python代碼
5．3 習(xí)題
第6章 正態(tài)總體的情況
6．1 正態(tài)分布模型
6．2 均值未知而精度已知的情況
6．2．1 利用公式(6．2．1)、(6．2．2) 擬合例6．1 的數(shù)據(jù)(R)
6．2．2 利用公式(6．2．1)、(6．2．2) 擬合例6．1 數(shù)據(jù)的后驗(yàn)*高密度區(qū)域(Python)
6．3 兩個(gè)參數(shù)皆為未知的情況
6．3．1 使用公式(6．3．1)、(6．3．2) 對(duì)例6．1 的分析(R)
6．3．2 使用公式(6．3．1)、(6．3．2) 對(duì)例6．1 的分析(Python)
6．4 習(xí)題
第三部分 算法、概率編程及貝葉斯專門(mén)軟件
第7章 貝葉斯推斷中的一些算法
7．1 *大后驗(yàn)概率法
7．2 拉普拉斯近似
7．3 馬爾可夫鏈蒙特卡羅方法
7．3．1 蒙特卡羅積分
7．3．2 馬爾可夫鏈
7．3．3 MCMC 方法綜述
7．3．4 Metropolis 算法
7．3．5 Metropolis-Hastings 算法
7．3．6 Gibbs 抽樣
7．3．7 Hamiltonian 蒙特卡羅方法
7．4 EM 算法
7．5 變分貝葉斯近似
第8章 概率編程/貝葉斯編程
8．1 引言
8．2 概率編程概述
8．2．1 概率編程要點(diǎn)
8．2．2 先驗(yàn)分布的選擇――從概率編程的角度
8．3 貝葉斯計(jì)算專用軟件
8．4 R/Stan
8．4．1 概述
8．4．2 安裝
8．4．3 對(duì)例8．1 的數(shù)據(jù)運(yùn)行R/Stan
8．5 Python/PyMC3
8．5．1 概述
8．5．2 安裝
8．5．3 對(duì)例8．1 的數(shù)據(jù)運(yùn)行Python/PyMC3
8．6 通過(guò)一個(gè)著名例子進(jìn)一步熟悉R/Stan 和Python/PyMC3
8．6．1 R/Stan 關(guān)于例8．2 的模型(8．6．1) ～ (8．6．4) 的代碼
8．6．2 Python/PyMC3 關(guān)于例8．2的模型(8．6．1) ～ (8．6．4) 的代碼
8．7 R 中基于Stan 的兩個(gè)程序包
8．7．1 R 中基于Stan 的rstanarm 程序包
8．7．2 R 中基于Stan 的brms 程序包
8．8 Python 中的BayesPy 模塊簡(jiǎn)介
8．9 習(xí)題
第9章 在常用模型中使用R/Stan和Python/PyMC3 的例子
9．1 熱身： 一些簡(jiǎn)單例子
9．1．1 拋硬幣： 二項(xiàng)分布
9．1．2 正態(tài)分布例子
9．1．3 簡(jiǎn)單回歸例子
9．1．4 簡(jiǎn)單logistic 回歸例子
9．2 第4章例子的貝葉斯編程計(jì)算Bernoulli/二項(xiàng)分布模型參數(shù)的后驗(yàn)分布
9．2．1 通過(guò)R/Stan 用模型(9．2．1) ～(9．2．3) 擬合例4．2 的數(shù)據(jù)
9．2．2 通過(guò)Python/PyMC3 用模型(9．2．1) ～ (9．2．3) 擬合例4．2 的數(shù)據(jù)
9．3 第5章例子的貝葉斯編程計(jì)算Poisson 模型參數(shù)的后驗(yàn)分布
9．3．1 使用R/Stan 的代碼用模型(5．1．1)、(5．1．2) 擬合例5．1 的數(shù)據(jù)
9．3．2 使用Python/PyMC3 的代碼用模型(5．1．1)、(5．1．2) 擬合例5．1的數(shù)據(jù)
9．4 第6章例子的貝葉斯編程計(jì)算后驗(yàn)分布的正態(tài)分布例子
9．4．1 通過(guò)R/Stan 代碼用模型(9．4．1) ～ (9．4．3) 擬合例6．1 的數(shù)據(jù)
9．4．2 通過(guò)Python/PyMC3 代碼用模型(9．4．1) ～ (9．4．3) 擬合例6．1 的數(shù)據(jù)
9．5 習(xí)題
第四部分 更多的貝葉斯模型185
第10章 貝葉斯廣義線性模型
10．1 可能性和*大似然原理
10．2 指數(shù)分布族和廣義線性模型
10．2．1 指數(shù)分布族的典則形式
10．2．2 廣義線性模型和連接函數(shù)
10．3 線性回歸
10．3．1 應(yīng)用R/Stan 代碼于例10．3的模型(10．3．1) ～ (10．3．6)
10．3．2 應(yīng)用Python/PyMC3 代碼于例10．3 的模型(10．3．1) ～ (10．3．6)
10．4 二水平變量問(wèn)題： logistic 回歸
10．4．1 應(yīng)用R/Stan 代碼于例10．4的模型(10．4．2) ～ (10．4．4)
10．4．2 應(yīng)用Python/PyMC3 代碼于例10．4 的模型(10．4．2) ～ (10．4．4)
10．5 分層線性回歸： 多水平模型
10．5．1 應(yīng)用R/Stan 代碼于例10．5的模型(10．5．3) ～ (10．5．6)
10．5．2 應(yīng)用Python/PyMC3 代碼于例10．5 的模型(10．5．3) ～ (10．5．6)
10．6 分層logistic 回歸
10．6．1 應(yīng)用R/Stan 代碼于例10．6的模型(10．6．2) ～ (10．6．5)
10．6．2 應(yīng)用Python/PyMC3 代碼于例10．6 的模型(10．6．2) ～ (10．6．5)
10．7 習(xí)題
第11章 生存分析
11．1 生存分析的基本概念
11．1．1 本章的例子
11．1．2 Cox PH 模型
11．1．3 參數(shù)PH 模型
11．1．4 加速失效時(shí)間模型
11．2 數(shù)值計(jì)算例子
11．2．1 Cox PH 模型*
11．2．2 AFT 模型： Weibull 分布
11．2．3 AFT 模型： log-logistic 分布
11．2．4 Weibull 模型
11．3 習(xí)題
第12章 樸素貝葉斯
12．1 基本概念
12．1．1 類條件獨(dú)立性假定
12．1．2 樸素貝葉斯分類器類型
12．2 樸素貝葉斯方法分類數(shù)值例子
12．3 本章的Python 代碼
12．4 習(xí)題
第13章 貝葉斯網(wǎng)絡(luò)
13．1 概述
13．1．1 基本概念
13．1．2 貝葉斯網(wǎng)絡(luò)的難點(diǎn)及優(yōu)缺點(diǎn)
13．1．3 貝葉斯網(wǎng)絡(luò)的一個(gè)簡(jiǎn)單例子
13．2 學(xué)習(xí)貝葉斯網(wǎng)絡(luò)
13．2．1 貝葉斯網(wǎng)絡(luò)中的條件獨(dú)立性概念
13．2．2 網(wǎng)絡(luò)學(xué)習(xí)算法的種類
13．2．3 幾種可能面對(duì)的問(wèn)題
13．3 貝葉斯網(wǎng)絡(luò)的數(shù)值例子及計(jì)算
13．3．1 全部變量是離散變量的情況
13．3．2 全部變量是連續(xù)變量的情況
13．3．3 連續(xù)變量和離散變量混合的情況
第14章 隱馬爾可夫模型*
14．1 概述
14．2 HMM 的三個(gè)主要問(wèn)題
14．2．1 評(píng)估問(wèn)題
14．2．2 解碼問(wèn)題
14．2．3 學(xué)習(xí)問(wèn)題
14．3 HMM 的數(shù)值例子和計(jì)算
14．3．1 數(shù)值例子
14．3．2 使用HMM 方法于例14．1(R)
14．3．3 使用HMM 方法于例14．1(Python)
參考文獻(xiàn)
展開(kāi)全部
基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū)貝葉斯數(shù)據(jù)分析:基于R與Python的實(shí)現(xiàn)/基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū) 節(jié)選
貝葉斯統(tǒng)計(jì)是和基于頻率的傳統(tǒng)統(tǒng)計(jì)(頻率派統(tǒng)計(jì)) 不同的??套關(guān)于統(tǒng)計(jì)推斷或決策的理論、??法與實(shí)踐. 傳統(tǒng)統(tǒng)計(jì)由于其概率是??頻率定義的, 因此有其天??的弱點(diǎn)和缺陷,許多推斷問(wèn)題??法得到明確的結(jié)論. 貝葉斯統(tǒng)計(jì)的思維??式與傳統(tǒng)統(tǒng)計(jì)不同, 成為與傳統(tǒng)統(tǒng)計(jì)平??的決策體系. 在不同的數(shù)據(jù)分析問(wèn)題中, 這兩種決策體系各有優(yōu)劣. 但關(guān)于這兩種體系在哲學(xué)意義上優(yōu)劣的爭(zhēng)論則從來(lái)也沒(méi)有停??過(guò). 當(dāng)然, 實(shí)際??作者們則不會(huì)在意這些爭(zhēng)論, ??是選擇*能夠達(dá)到他們??標(biāo)的??法, ??論是貝葉斯??法還是傳統(tǒng)統(tǒng)計(jì)??法. 貝葉斯思維在統(tǒng)計(jì)建模和數(shù)據(jù)分析????具有許多優(yōu)點(diǎn). 它提供了??種根據(jù)*近的知識(shí)更新信仰的機(jī)器學(xué)習(xí)過(guò)程. 例如, 它提供??經(jīng)典統(tǒng)計(jì)更具有概率意義的推斷, 它還可以使??現(xiàn)代抽樣??法評(píng)估嵌套模型和??嵌套模型(區(qū)別傳統(tǒng)??法) 的概率, 它也很容易擬合使??經(jīng)典??法很難應(yīng)付的復(fù)雜隨機(jī)效應(yīng)模型. 在前計(jì)算機(jī)時(shí)代, 貝葉斯統(tǒng)計(jì)的發(fā)展曾經(jīng)被計(jì)算資源的有限性拖累, 現(xiàn)在這個(gè)問(wèn)題已經(jīng)不存在了. ??前貝葉斯建模急劇增長(zhǎng)的兩個(gè)主要原因是: (1) 計(jì)算貝葉斯后驗(yàn)分析所需的各種積分算法的持續(xù)發(fā)展; (2) 現(xiàn)代計(jì)算速度的不斷加快. 現(xiàn)在??們完全可以使??貝葉斯模型來(lái)擬合傳統(tǒng)統(tǒng)計(jì)??法??法應(yīng)付的??常復(fù)雜的模型. 和傳統(tǒng)頻率派數(shù)理統(tǒng)計(jì)類似, 純粹貝葉斯派的統(tǒng)計(jì)屬于模型驅(qū)動(dòng)的范疇, 這兩種統(tǒng)計(jì)與數(shù)據(jù)驅(qū)動(dòng)或問(wèn)題驅(qū)動(dòng)的現(xiàn)代數(shù)據(jù)科學(xué)理念有不??的差距. 然??, 貝葉斯統(tǒng)計(jì)的某些思維模式對(duì)于數(shù)據(jù)科學(xué)的機(jī)器學(xué)習(xí)??法有很??的啟發(fā). 除了數(shù)據(jù)科學(xué)常??的樸素貝葉斯分類和貝葉斯??絡(luò)之外, 在神經(jīng)??絡(luò)和深度學(xué)習(xí)等完全是數(shù)據(jù)驅(qū)動(dòng)的實(shí)踐中, 到處都可以看到貝葉斯的影??. 當(dāng)然, 這些可能不被純粹的貝葉斯派公開(kāi)認(rèn)可, 但的確是受到貝葉斯統(tǒng)計(jì)思維的影響. 長(zhǎng)期以來(lái), 在英??中, 純粹貝葉斯派??法??\Bayesian' 作為形容詞, ??那些有些“離經(jīng)叛道' 的??法只能??\Bayes' 作為形容詞. 現(xiàn)在這兩者的區(qū)別已經(jīng)不那么絕對(duì). 任何數(shù)學(xué)體系??對(duì)????的應(yīng)??環(huán)境, 不可能也沒(méi)有必要為保持其``純潔性' ????步不前. 除了介紹貝葉斯統(tǒng)計(jì)的基本概念之外, 本書(shū)還介紹了不同貝葉斯模型的數(shù)學(xué)背景、與貝葉斯模型對(duì)應(yīng)的各種計(jì)算??法, 并基于數(shù)據(jù)例??來(lái)介紹如何通過(guò)各種軟件實(shí)現(xiàn)數(shù)據(jù)分析.本書(shū)希望使對(duì)貝葉斯統(tǒng)計(jì)感興趣的廣大群體獲得強(qiáng)有力的計(jì)算能力, 以發(fā)揮他們無(wú)窮的想象力和創(chuàng)造力. 除了R 和Python 之外, 本書(shū)基本上平??地使??兩個(gè)貝葉斯編程的專??軟件: 以R 為平臺(tái)的Stan 和以Python 為平臺(tái)的PyMC3, 它們都是??們喜愛(ài)的*新的基于MCMC 和C++ 編譯器的貝葉斯編程軟件. 之所以平??使??不同軟件, 是因?yàn)樗鼈兏饔袃?yōu)缺點(diǎn), 適??于有不同編程習(xí)慣的??. 當(dāng)然, 不同軟件的使??環(huán)境不同, 兩個(gè)軟件的應(yīng)??不可能也沒(méi)有必要做到百分之百重合, 相信讀者能夠通過(guò)實(shí)踐掌握它們(??少其中之??). 本書(shū)的讀者對(duì)象既包括希望了解貝葉斯統(tǒng)計(jì)數(shù)學(xué)概念的讀者, 也包括那些希望利??貝葉斯模型來(lái)做實(shí)際數(shù)據(jù)分析的讀者. 本書(shū)的計(jì)算是由編程軟件實(shí)現(xiàn)的, 我們希望有更多的??通過(guò)這本書(shū)學(xué)會(huì)利??編程軟件與數(shù)據(jù)建模.
基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū)貝葉斯數(shù)據(jù)分析:基于R與Python的實(shí)現(xiàn)/基于R應(yīng)用的統(tǒng)計(jì)學(xué)叢書(shū) 作者簡(jiǎn)介
吳喜之，北京大學(xué)數(shù)學(xué)力學(xué)系本科，美國(guó)北卡羅來(lái)納大學(xué)統(tǒng)計(jì)博士。中國(guó)人民大學(xué)統(tǒng)計(jì)學(xué)院教授，博士生導(dǎo)師。曾在美國(guó)加利福尼亞大學(xué)、北卡羅來(lái)納大學(xué)以及南開(kāi)大學(xué)、北京大學(xué)等多所著名學(xué)府執(zhí)教。
書(shū)友推薦
- >
苦雨齋序跋文-周作人自編集
- >
月亮與六便士
- >
【精裝繪本】畫(huà)給孩子的中國(guó)神話
- >
推拿
- >
名家?guī)阕x魯迅:朝花夕拾
- >
我與地壇
- >
羅曼·羅蘭讀書(shū)隨筆-精裝
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(shū)(紅燭學(xué)術(shù)叢書(shū))
本類暢銷
