貝葉斯思維 統(tǒng)計(jì)建模的Python學(xué)習(xí)法
定 價：49 元
- 作者：[美]Allen B.Downey
- 出版時間：2015/3/1
- ISBN：9787115384287
- 出 版 社：人民郵電出版社
- 中圖法分類：O212.8 TP311.56
- 頁碼：168
- 紙張：膠版紙
- 版次：1
- 開本：16K
《貝葉斯思維 統(tǒng)計(jì)建模的Python學(xué)習(xí)法》幫助那些希望用數(shù)學(xué)工具解決實(shí)際問題的人們，僅有的要求可能就是懂一點(diǎn)概率知識和程序設(shè)計(jì)。而貝葉斯方法是一種常見的利用概率學(xué)知識去解決不確定性問題的數(shù)學(xué)方法，對于一個計(jì)算機(jī)專業(yè)的人士，應(yīng)當(dāng)熟悉其應(yīng)用在諸如機(jī)器翻譯，語音識別，垃圾郵件檢測等常見的計(jì)算機(jī)問題領(lǐng)域。
可是《貝葉斯思維 統(tǒng)計(jì)建模的Python學(xué)習(xí)法》實(shí)際上會遠(yuǎn)遠(yuǎn)擴(kuò)大你的視野，即使不是一個計(jì)算機(jī)專業(yè)的人士，你也可以看到在戰(zhàn)爭環(huán)境下（二戰(zhàn)德軍坦克問題），法律問題上（腎腫瘤的假設(shè)驗(yàn)證），體育博彩領(lǐng)域（棕熊隊(duì)和加人隊(duì)NFL比賽問題）貝葉斯方法的威力。怎么從有限的信息判斷德軍裝甲部隊(duì)的規(guī)模，你所支持的球隊(duì)有多大可能贏得冠軍，在《龍與地下城》勇士中，你應(yīng)當(dāng)對游戲角色屬性的很大值有什么樣的期望，甚至在普通的彩彈射擊游戲中，擁有一些貝葉斯思維也能幫助到你提高游戲水平。
除此以外，《貝葉斯思維 統(tǒng)計(jì)建模的Python學(xué)習(xí)法》在共計(jì)15章的篇幅中討論了怎樣解決十幾個現(xiàn)實(shí)生活中的實(shí)際問題。在這些問題的解決過程中，作者還潛移默化的幫助讀者形成了建模決策的方法論，建模誤差和數(shù)值誤差怎么取舍，怎樣為具體問題建立數(shù)學(xué)模型，如何抓住問題中的主要矛盾（模型中的關(guān)鍵參數(shù)），再一步一步的優(yōu)化或者驗(yàn)證模型的有效性或者局限性。在這個意義上，這本書又是一本關(guān)于數(shù)學(xué)建模的成功樣本。
貝葉斯方法正在變得越來越常見與重要，但是卻沒有太多可以借鑒的資料來幫助初學(xué)者。基于Allen Downey在大學(xué)講授的本科課程，本書的計(jì)算方法能幫助你獲得一個良好的開端。
使用已有的編程技巧學(xué)習(xí)和理解貝葉斯統(tǒng)計(jì)
處理估計(jì)、預(yù)測、決策分析、假設(shè)的證據(jù)、假設(shè)檢驗(yàn)等問題
從簡單的例子開始，包括硬幣問題、M&Ms豆問題、《龍與地下城》勇士投骰子問題、彩彈游戲和冰球比賽問題
學(xué)習(xí)計(jì)算方法，解決諸如SAT分?jǐn)?shù)含義、模擬腎腫瘤和人體微生物建模問題
Allen Downey，是歐林工程學(xué)院的計(jì)算機(jī)教授，加州大學(xué)伯克利分校的計(jì)算機(jī)博士。他在韋斯利學(xué)院（Wellesley College）、科爾比學(xué)院（Colby College）和加州大學(xué)伯克利分校講授計(jì)算機(jī)科學(xué)課程。他也是O’Reilly出版的Think Stats和Think Python圖書的作者。
許楊毅，新浪網(wǎng)系統(tǒng)架構(gòu)師，技術(shù)保障部總監(jiān)，畢業(yè)于湖南大學(xué)，15年互聯(lián)網(wǎng)工作經(jīng)驗(yàn)。
第1章 貝葉斯定理 1
1.1 條件概率 1
1.2 聯(lián)合概率 2
1.3 曲奇餅問題 2
1.4 貝葉斯定理 3
1.5 歷時詮釋 4
1.6 M&M豆問題 5
1.7 Monty Hall難題 6
1.8 討論 8
第2章 統(tǒng)計(jì)計(jì)算 9
2.1 分布 9
2.2 曲奇餅問題 10
2.3 貝葉斯框架 11
2.4 Monty Hall難題 12
2.5 封裝框架 13
2.6 M&M豆問題 14
2.7 討論 15
2.8 練習(xí) 16
第3章 估計(jì) 17
3.1 骰子問題 17
3.2 火車頭問題 18
3.3 怎樣看待先驗(yàn)概率？ 20
3.4 其他先驗(yàn)概率 21
3.5 置信區(qū)間 23
3.6 累積分布函數(shù) 23
3.7 德軍坦克問題 24
3.8 討論 24
3.9 練習(xí) 25
第4章 估計(jì)進(jìn)階 27
4.1 歐元問題 27
4.2 后驗(yàn)概率的概述 28
4.3 先驗(yàn)概率的湮沒 29
4.4 優(yōu)化 31
4.5 Beta分布 32
4.6 討論 34
4.7 練習(xí) 34
第5章 勝率和加數(shù) 37
5.1 勝率 37
5.2 貝葉斯定理的勝率形式 38
5.3 奧利弗的血跡 39
5.4 加數(shù) 40
5.5 最大化 42
5.6 混合分布 45
5.7 討論 47
第6章 決策分析 49
6.1 “正確的價格”問題 49
6.2 先驗(yàn)概率 50
6.3 概率密度函數(shù) 50
6.4 PDF的表示 51
6.5 選手建模 53
6.6 似然度 55
6.7 更新 55
6.8 最優(yōu)出價 57
6.9 討論 59
第7章 預(yù)測 61
7.1 波士頓棕熊隊(duì)問題 61
7.2 泊松過程 62
7.3 后驗(yàn) 63
7.4 進(jìn)球分布 64
7.5 獲勝的概率 66
7.6 突然死亡法則 66
7.7 討論 68
7.8 練習(xí) 69
第8章 觀察者的偏差 71
8.1 紅線問題 71
8.2 模型 71
8.3 等待時間 73
8.4 預(yù)測等待時間 75
8.5 估計(jì)到達(dá)率 78
8.6 消除不確定性 80
8.7 決策分析 81
8.8 討論 83
8.9 練習(xí) 84
第9章 二維問題 85
9.1 彩彈 85
9.2 Suite對象 85
9.3 三角學(xué) 87
9.4 似然度 88
9.5 聯(lián)合分布 89
9.6 條件分布 90
9.7 置信區(qū)間 91
9.8 討論 93
9.9 練習(xí) 94
第10章 貝葉斯近似計(jì)算 95
10.1 變異性假說 95
10.2 均值和標(biāo)準(zhǔn)差 96
10.3 更新 98
10.4 CV的后驗(yàn)分布 98
10.5 數(shù)據(jù)下溢 99
10.6 對數(shù)似然 100
10.7 一個小的優(yōu)化 101
10.8 ABC（近似貝葉斯計(jì)算） 102
10.9 估計(jì)的可靠性 104
10.10 誰的變異性更大？ 105
10.11 討論 107
10.12 練習(xí) 108
第11章 假設(shè)檢驗(yàn) 109
11.1 回到歐元問題 109
11.2 來一個公平的對比 110
11.3 三角前驗(yàn) 111
11.4 討論 112
11.5 練習(xí) 113
第12章 證據(jù) 115
12.1 解讀SAT成績 115
12.2 比例得分SAT 115
12.3 先驗(yàn) 116
12.4 后驗(yàn) 117
12.5 一個更好的模型 119
12.6 校準(zhǔn) 121
12.7 效率的后驗(yàn)分布 122
12.8 預(yù)測分布 123
12.9 討論 124
第13章 模擬 127
13.1 腎腫瘤的問題 127
13.2 一個簡化模型 128
13.3 更普遍的模型 130
13.4 實(shí)現(xiàn) 131
13.5 緩存聯(lián)合分布 132
13.6 條件分布 133
13.7 序列相關(guān)性 135
13.8 討論 138
第14章 層次化模型 139
14.1 蓋革計(jì)數(shù)器問題 139
14.2 從簡單的開始 140
14.3 分層模型 141
14.4 一個小優(yōu)化 142
14.5 抽取后驗(yàn) 142
14.6 討論 144
14.7 練習(xí) 144
第15章 處理多維問題 145
15.1 臍部細(xì)菌 145
15.2 獅子，老虎和熊 145
15.3 分層版本 148
15.4 隨機(jī)抽樣 149
15.5 優(yōu)化 150
15.6 堆疊的層次結(jié)構(gòu) 151
15.7 另一個問題 153
15.8 還有工作要做 154
15.9 肚臍數(shù)據(jù) 156
15.10 預(yù)測分布 158
15.11 聯(lián)合后驗(yàn) 161
15.12 覆蓋 162
15.13 討論 164
書單推薦
