简体网页||繁体网页

☆☆☆☆☆

图书标签:

• 贝叶斯方法
• 贝叶斯分析
• Python
• 机器学习
• 深度学习
• 统计学
• 概率论
• 数据分析
• 人工智能
• Python编程

店铺： 蓝墨水图书专营店

出版社： 人民邮电出版社

ISBN：9787115476173

商品编码：25549367380

Python贝叶斯分析+贝叶斯方法+贝叶斯思维+深入浅出深度学习：原理剖析与Python实践

Python贝叶斯分析

书 号： 9787115476173

页 数： 236

印刷方式： 彩色印刷

开 本： 小16开

出版状态： 正在印刷

定价 69元

 

出版社 人民邮电出版社

出版时间 2018.2 

作者： 【阿根廷】Osvaldo Martin（奥斯瓦尔多·马丁）

译者： 田俊 责编： 王峰松

本书从务实和编程的角度讲解了贝叶斯统计中的主要概念，并介绍了如何使用流行的PyMC3来构建概率模型。阅读本书，读者将掌握实现、检查和扩展贝叶斯统计模型，从而解决一系列数据分析问题的能力。本书不要求读者有任何统计学方面的基础，但需要读者有使用Python编程方面的经验。

贝叶斯方法 概率编程与贝叶斯推断

内容简介
本书基于PyMC语言以及一系列常用的Python数据分析框架，如NumPy、SciPy和Matplotlib，通过概率编程的方式，讲解了贝叶斯推断的原理和实现方法。该方法常常可以在避免引入大量数学分析的前提下，有效地解决问题。书中使用的案例往往是工作中遇到的实际问题，有趣并且实用。作者的阐述也尽量避免冗长的数学分析，而让读者可以动手解决一个个的具体问题。通过对本书的学习，读者可以对贝叶斯思维、概率编程有较为深入的了解，为将来从事机器学习、数据分析相关的工作打下基础。本书适用于机器学习、贝叶斯推断、概率编程等相关领域的从业者和爱好者，也适合普通开发人员了解贝叶斯统计而使用。

目 录

第1章　贝叶斯推断的哲学　1
1．1　引言　1
1．1．1　贝叶斯思维　1
1．1．2　贝叶斯推断在实践中的运用　3
1．1．3　频率派的模型是错误的吗？　4
1．1．4　关于大数据　4
1．2　我们的贝叶斯框架　5
1．2．1　不得不讲的实例：抛硬币　5
1．2．2　实例：图书管理员还是农民　6
1．3　概率分布　8
1．3．1　离散情况　9
1．3．2　连续情况　10
1．3．3　什么是　12
1．4　使用计算机执行贝叶斯推断　12
1．4．1　实例：从短信数据推断行为　12
1．4．2　介绍我们的第一板斧：PyMC　14
1．4．3　说明　18
1．4．4　后验样本到底有什么用？　18
1．5　结论　20
1．6　补充说明　20
1．6．1　从统计学上确定两个l值是否真的不一样　20
1．6．2　扩充至两个转折点　22
1．7　习题　24
1．8　答案　24
第2章　进一步了解PyMC　27
2．1　引言　27
2．1．1　父变量与子变量的关系　27
2．1．2　PyMC变量　28
2．1．3　在模型中加入观测值　31
2．1．4　最后……　33
2．2　建模方法　33
2．2．1　同样的故事，不同的结局　35
2．2．2　实例：贝叶斯A/B测试　38
2．2．3　一个简单的场景　38
2．2．4　A和B一起　41
2．2．5　实例：一种人类谎言的算法　45
2．2．6　二项分布　45
2．2．7　实例：学生作弊　46
2．2．8　另一种PyMC模型　50
2．2．9　更多的PyMC技巧　51
2．2．10　实例：挑战者号事故　52
2．2．11　正态分布　55
2．2．12　挑战者号事故当天发生了什么？　61
2．3　我们的模型适用吗？　61
2．4　结论　68
2．5　补充说明　68
2．6　习题　69
2．7　答案　69
第3章　打开MCMC的黑盒子　71
3．1　贝叶斯景象图　71
3．1．1　使用MCMC来探索景象图　77
3．1．2　MCMC算法的实现　78
3．1．3　后验的其他近似解法　79
3．1．4　实例：使用混合模型进行无监督聚类　79
3．1．5　不要混淆不同的后验样本　88
3．1．6　使用MAP来改进收敛性　91
3．2　收敛的判断　92
3．2．1　自相关　92
3．2．2　稀释　95
3．2．3　pymc．Matplot．plot()　97
3．3　MCMC的一些秘诀　98
3．3．1　聪明的初始值　98
3．3．2　先验　99
3．3．3　统计计算的无名定理　99
3．4　结论　99
第4章　从未言明的最伟大定理　101
4．1　引言　101
4．2　大数定律　101
4．2．1　直觉　101
4．2．2　实例：泊松随机变量的收敛　102
4．2．3　如何计算Var(Z)　106
4．2．4　期望和概率　106
4．2．5　所有这些与贝叶斯统计有什么关系呢　107
4．3　小数据的无序性　107
4．3．1　实例：地理数据聚合　107
4．3．2　实例：Kaggle的美国人口普查反馈比例预测比赛　109
4．3．3　实例：如何对Reddit网站上的评论进行排序　111
4．3．4　排序！　115
4．3．5　但是这样做的实时性太差了　117
4．3．6　推广到评星系统　122
4．4　结论　122
4．5　补充说明　122
4．6　习题　123
4．7　答案　124
第5章　失去一只手臂还是一条腿　127
5．1　引言　127
5．2　损失函数　127
5．2．1　现实世界中的损失函数　129
5．2．2　实例：优化“价格竞猜”游戏的展品出价　130
5．3　机器学习中的贝叶斯方法　138
5．3．1　实例：金融预测　139
5．3．2　实例：Kaggle观测暗世界 大赛　144
5．3．3　数据　145
5．3．4　先验　146
5．3．5　训练和PyMC实现　147
5．4　结论　156
第6章　弄清楚先验　157
6．1　引言　157
6．2　主观与客观先验　157
6．2．1　客观先验　157
6．2．2　主观先验　158
6．2．3　决策，决策……　159
6．2．4　经验贝叶斯　160
6．3　需要知道的有用的先验　161
6．3．1　Gamma分布　161
6．3．2　威沙特分布　162
6．3．3　Beta分布　163
6．4　实例：贝叶斯多臂老虎机　164
6．4．1　应用　165
6．4．2　一个解决方案　165
6．4．3　好坏衡量标准　169
6．4．4　扩展算法　173
6．5　从领域专家处获得先验分布　176
6．5．1　试验轮盘赌法　176
6．5．2　实例：股票收益　177
6．5．3　对于威沙特分布的专业提示　184
6．6　共轭先验　185
6．7　杰弗里斯先验　185
6．8　当N增加时对先验的影响　187
6．9　结论　189
6．10　补充说明　190
6．10．1　带惩罚的线性回归的贝叶斯视角　190
6．10．2　选择退化的先验　192
第7章　贝叶斯A/B测试　195
7．1　引言　195
7．2　转化率测试的简单重述　195
7．3　增加一个线性损失函数　198
7．3．1　收入期望的分析　198
7．3．2　延伸到A/B测试　202
7．4　超越转化率：t检验　204
7．4．1　t检验的设定　204
7．5　增幅的估计　207
7．5．1　创建点估计　210
7．6　结论　211
术语表　213

贝叶斯思维 统计建模的Python学习法
内容简介
《贝叶斯思维 统计建模的Python学习法》帮助那些希望用数学工具解决实际问题的人们，的要求可能就是懂一点概率知识和程序设计。而贝叶斯方法是一种常见的利用概率学知识去解决不确定性问题的数学方法，对于一个计算机专业的人士，应当熟悉其应用在诸如机器翻译，语音识别，垃圾邮件检测等常见的计算机问题领域。

　　可是《贝叶斯思维 统计建模的Python学习法》实际上会远远扩大你的视野，即使不是一个计算机专业的人士，你也可以看到在战争环境下（二战德军坦克问题），法律问题上（的假设验证），体育博彩领域（棕熊队和加人队NFL比赛问题）贝叶斯方法的威力。怎么从有限的信息判断德军装甲部队的规模，你所支持的球队有多大可能赢得，在《龙与地下城》勇士中，你应当对游戏角色属性的很大值有什么样的期望，甚至在普通的彩弹射击游戏中，拥有一些贝叶斯思维也能帮助到你提高游戏水平。

　　除此以外，《贝叶斯思维 统计建模的Python学习法》在共计15章的篇幅中讨论了怎样解决十几个现实生活中的实际问题。在这些问题的解决过程中，作者还潜移默化的帮助读者形成了建模决策的方法论，建模误差和数值误差怎么取舍，怎样为具体问题建立数学模型，如何抓住问题中的主要矛盾（模型中的关键参数），再一步一步的优化或者验证模型的有效性或者局限性。在这个意义上，这本书又是一本关于数学建模的成功样本。

第1章 贝叶斯定理 1

1.1 条件概率 1

1.2 联合概率 2

1.3 曲奇饼问题 2

1.4 贝叶斯定理 3

1.5 历时诠释 4

1.6 M&M;豆问题 5

1.7 Monty Hall难题 6

1.8 讨论 8

第2章 统计计算 9

2.1 分布 9

2.2 曲奇饼问题 10

2.3 贝叶斯框架 11

2.4 Monty Hall难题 12

2.5 封装框架 13

2.6 M&M;豆问题 14

2.7 讨论 15

2.8 练习 16

第3章 估计 17

3.1 骰子问题 17

3.2 火车头问题 18

3.3 怎样看待先验概率？ 20

3.4 其他先验概率 21

3.5 置信区间 23

3.6 累积分布函数 23

3.7 德军坦克问题 24

3.8 讨论 24

3.9 练习 25

第4章 估计进阶 27

4.1　欧元问题 27

4.2　后验概率的概述 28

4.3　先验概率的湮没 29

4.4　优化 31

4.5　Beta分布 32

4.6　讨论 34

4.7　练习 34

第5章 胜率和加数 37

5.1 胜率 37

5.2 贝叶斯定理的胜率形式 38

5.3 奥利弗的血迹 39

5.4 加数 40

5.5 最大化 42

5.6 混合分布 45

5.7 讨论 47

第6章 决策分析 49

6.1 “正确的价格”问题 49

6.2 先验概率 50

6.3 概率密度函数 50

6.4 PDF的表示 51

6.5 选手建模 53

6.6 似然度 55

6.7 更新 55

6.8 最优出价 57

6.9 讨论 59

第7章 预测 61

7.1　波士顿棕熊队问题 61

7.2　泊松过程 62

7.3　后验 63

7.4　进球分布 64

7.5　获胜的概率 66

7.6　突然死亡法则 66

7.7　讨论 68

7.8　练习 69

第8章 观察者的偏差 71

8.1　红线问题 71

8.2　模型 71

8.3　等待时间 73

8.4　预测等待时间 75

8.5　估计到达率 78

8.6　消除不确定性 80

8.7　决策分析 81

8.8　讨论 83

8.9　练习 84

第9章 二维问题 85

9.1 彩弹 85

9.2 Suite对象 85

9.3 三角学 87

9.4 似然度 88

9.5 联合分布 89

9.6 条件分布 90

9.7 置信区间 91

9.8 讨论 93

9.9 练习 94

第10章 贝叶斯近似计算 95

10.1 变异性假说 95

10.2 均值和标准差 96

10.3 更新 98

10.4 CV的后验分布 98

10.5 数据下溢 99

10.6 对数似然 100

10.7 一个小的优化 101

10.8 ABC（近似贝叶斯计算） 102

10.9 估计的可靠性 104

10.10 谁的变异性更大？ 105

10.11 讨论 107

10.12 练习 108

第11章 假设检验 109

11.1 回到欧元问题 109

11.2 来一个公平的对比 110

11.3 三角前验 111

11.4 讨论 112

11.5 练习 113.......

深入浅出深度学习：原理剖析与Python实践

《深入浅出深度学习：原理剖析与Python实践》介绍了深度学习相关的原理与应用，全书共分为三大部分，第一部分主要回顾了深度学习的发展历史，以及Theano的使用；第二部分详细讲解了与深度学习相关的基础知识，包括线性代数、概率论、概率图模型、机器学习和至优化算法；在第三部分中，针对若干核心的深度学习模型，如自编码器、受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解，并针对不同的模型给出相应的具体应用。
《深入浅出深度学习：原理剖析与Python实践》适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的后面都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。理论与实践相结合，《深入浅出深度学习：原理剖析与Python实践》针对常用的模型分别给出了相应的应用，读者也可以在Github中下载和查看《深入浅出深度学习：原理剖析与Python实践》的代码（https://github.com/innovation-cat/DeepLearningBook）。

《统计建模的智慧：从原理到实践的探索之旅》 在这本引人入胜的书籍中，我们将踏上一段深入探究统计建模精髓的旅程，解锁数据背后隐藏的模式与洞察。本书并非简单罗列算法或堆砌公式，而是致力于构建一种“统计思维”，帮助读者理解模型为何有效、如何选择、以及如何审慎地解读其结果。我们将从最基础的概念出发，逐步攀升至复杂模型的构建与应用，旨在让统计建模的“黑箱”变得清晰可见，使读者能够自如地驾驭各种统计工具，解决实际问题。 第一部分：统计建模的基石——概率的语言与推断的艺术 万丈高楼平地起，统计建模的根基在于概率论。我们将从概率的基本概念入手，清晰阐述随机变量、概率分布、期望与方差等核心要素。不同于枯燥的理论灌输，我们会通过生动有趣的案例，例如掷骰子、抽奖、天气预报等，来直观地理解概率的含义。重点将放在条件概率和贝叶斯定理的介绍上，这不仅是本书的核心思想之一，也是理解许多高级统计方法的关键。我们将详细解析贝叶斯定理的逻辑，展示如何利用新的证据更新我们的信念，这是一种更加灵活和强大的推理方式。 接着，我们将进入统计推断的领域。我们会介绍点估计和区间估计的概念，理解如何从样本数据中推断出总体的未知参数。最大似然估计（MLE）和贝叶斯估计将作为两种重要的参数估计方法被详细讲解。我们会深入比较这两种方法的哲学差异和实际应用场景，以及它们各自的优缺点。读者将学习如何计算估计量，并理解置信区间和可信区间的意义，认识到统计结论总是伴随着一定的不确定性。 此外，假设检验作为统计推断的重要工具，也将被细致地剖析。我们将讲解零假设、备择假设、p值、以及I类错误和II类错误等概念，并通过实际例子展示如何设计和执行一个严谨的假设检验。本书将引导读者理解，假设检验不是简单的“是”或“否”的判断，而是一个基于证据的概率性决策过程。 第二部分：模型的构建与选择——驾驭数据的多重面貌 理解了统计的基本语言，我们便可以开始构建模型来描述数据。本部分将系统地介绍几种经典的统计模型，并探讨如何根据数据的特性和研究目标来选择最合适的模型。 线性回归作为最基础也是应用最广泛的模型之一，将被作为切入点。我们将深入讲解简单线性回归和多元线性回归，包括模型的假设、参数的解释、以及如何评估模型的拟合优度（如R方、调整R方）。本书将强调残差分析的重要性，这是诊断模型是否恰当的关键步骤。读者将学习如何识别和处理异方差、自相关等问题，并理解变量选择的策略。 随后，我们将探讨广义线性模型（GLM）。这是一种能够处理非正态分布响应变量的强大框架，例如逻辑回归用于二分类问题，泊松回归用于计数数据。我们会详细讲解不同GLM的指数族分布，以及链接函数的作用，从而理解它们如何扩展线性回归的能力。 进入非参数和半参数模型的领域，我们将介绍非参数回归，如核回归和样条回归，它们不依赖于预设的函数形式，能更好地捕捉数据的复杂模式。此外，模型选择是一个贯穿始终的重要主题。我们将介绍信息准则，如AIC和BIC，帮助读者在多个备选模型中做出明智的选择，避免过拟合或欠拟合。交叉验证作为一种模型泛化能力评估的有效手段，也将被详细介绍。 第三部分：贝叶斯模型的深度探索——拥抱不确定性的力量 本书的核心亮点在于对贝叶斯方法的深度挖掘。我们将从根本上阐述贝叶斯统计的理念，即概率是关于信念的度量，并且可以通过数据不断更新。我们将详细介绍先验分布的设定，理解不同先验选择的影响，并学会如何选择“无信息先验”或“有信息先验”。 后验分布的计算是贝叶斯方法的关键。我们将介绍MCMC（马尔可夫链蒙特卡洛）方法，包括Metropolis-Hastings算法和Gibbs采样等，并解释它们如何用于近似计算复杂的后验分布，这是处理大多数实际贝叶斯模型不可或缺的工具。本书将用直观的图示和易于理解的语言解释MCMC的原理，让读者理解为什么我们需要这些采样方法。 我们将探索一系列经典的贝叶斯模型。从简单的贝叶斯线性回归，到能够处理更复杂数据的贝叶斯层次模型。层次模型能够有效地处理分组数据，例如学生在不同学校的表现，或者不同地区的产品销售情况，它能够学习不同层次的参数，并将信息在层次之间共享，从而提高估计的精确度。 本书还将介绍贝叶斯模型比较的方法，例如贝叶斯因子，它提供了一种比传统p值更全面的模型评估框架，能够量化证据支持不同模型的能力。读者将学会如何评估模型的预测能力，并理解模型平均的思想。 第四部分：走向实践——建模的艺术与科学 理论的学习最终要服务于实践。本部分将指导读者如何将所学的统计建模知识应用于实际问题。 我们将讨论数据预处理的各个环节，包括数据清洗、缺失值处理、异常值检测、以及特征工程。理解数据的质量和形态是成功建模的前提。 模型的评估与诊断是一个持续的过程。我们将深入讲解如何从多个维度评估模型的表现，例如预测准确性、模型鲁棒性、以及业务含义。除了前面提到的信息准则和交叉验证，我们还将介绍ROC曲线、PR曲线等用于分类模型评估的工具。 模型的可解释性在许多应用场景下至关重要。我们将讨论如何解释不同模型的参数，如何通过敏感性分析来理解模型的行为，以及如何将复杂的模型结果转化为易于理解的洞察。 最后，本书将强调统计建模的伦理考量。我们如何避免数据偏见？如何负责任地报告统计结果？如何防止模型被滥用？这些问题将引导读者建立正确的统计观和职业道德。 总结 《统计建模的智慧：从原理到实践的探索之旅》旨在为读者提供一个全面而深入的统计建模学习体验。通过清晰的原理阐述、生动的案例分析、以及对贝叶斯方法的独特侧重，本书将帮助你建立起强大的统计思维，掌握灵活的数据分析工具，并自信地应对各种复杂的数据挑战。无论你是统计学的初学者，还是希望深化理解的从业者，都能在这本书中找到宝贵的启示，解锁数据驱动决策的无限可能。

评分☆☆☆☆☆

这本书真的颠覆了我对统计和数据分析的认知！一直以来，我总是习惯于使用传统的频率学派方法，虽然也能得到结果，但总觉得少了点什么，尤其是在面对不确定性或者需要 Incorporate 先验知识的时候。读完这本书，我才真正理解了贝叶斯统计的精妙之处。作者用非常直观的语言，从最基础的概率论概念讲起，层层递进，把复杂的贝叶斯定理和推导过程讲得清晰明了。我尤其喜欢书中通过大量的实际案例来阐述理论，比如在 A/B 测试中的应用，如何用贝叶斯方法更优雅地处理小样本和早期停止问题，这让我这个在互联网行业摸爬滚打多年的数据分析师茅塞顿开。更不用说书中还结合了 Python 代码，将理论付诸实践，让我可以亲手操作，感受贝叶斯模型的迭代更新过程。从 MCMC 的原理到实际代码实现，都讲解得非常到位，完全没有文献的生涩感，就像一位经验丰富的导师在手把手教你一样。读完之后，我感觉自己掌握了一套全新的分析工具，能够更自信地处理各种复杂的数据问题，并且能够用更具说服力的方式解释分析结果。这本书绝对是每个对数据分析、机器学习或者统计学感兴趣的人都应该拥有的宝藏。

评分☆☆☆☆☆

我对人工智能和机器学习的兴趣由来已久，但一直感觉自己在理论层面有欠缺，特别是在理解一些核心算法的数学原理时，常常感到困惑。这本书在深度学习的原理剖析方面做得非常出色，它不像其他一些书籍那样直接抛出复杂的数学公式，而是循序渐进地解释了从感知机到多层感知机的演进，以及反向传播算法是如何工作的。作者用了大量的篇幅来讲解梯度下降的原理，以及各种优化算法，比如 Adam、RMSprop 等，这些讲解都非常透彻，让我能够真正理解模型是如何一步步学习和优化的。书中对神经网络中各种层（如卷积层、池化层、循环层）的讲解也十分到位，配以清晰的图示，让我能够直观地理解它们的功能和作用。更重要的是，书中结合了 Python 实现，这对于我这种喜欢边学边练的学习者来说，简直太棒了！我可以通过阅读代码，理解算法的实际应用，并且自己动手去实现和调试，这极大地加深了我对深度学习原理的理解。

评分☆☆☆☆☆

我一直对统计学理论，尤其是概率模型的构建和推断，有着浓厚的兴趣，但总觉得在实际应用中缺乏一套系统性的方法论。这本书以贝叶斯思维为切入点，为我打开了一个全新的视角。它不仅仅是传授具体的统计方法，更重要的是，它引导读者形成一种“概率性思考”的模式。书中从贝叶斯定理的直观理解开始，然后引申到如何构建先验和后验分布，以及如何利用马尔可夫链蒙特卡洛（MCMC）等方法来进行后验推断。我特别喜欢书中关于“模型选择”和“模型比较”的讨论，这让我能够更理性地去评估不同模型之间的优劣。而将这些理论与 Python 的实现相结合，更是锦上添花。书中提供的代码示例，涵盖了从基础的概率分布采样到复杂的模型拟合，让我能够一步步地掌握如何用 Python 来实现贝叶斯分析。这套书让我感觉，统计学不再是枯燥的数字游戏，而是一种能够帮助我们更好地理解世界、做出更优决策的强大工具。

评分☆☆☆☆☆

作为一名在工作中经常需要处理各种不确定性，并且希望能够做出更明智决策的业务分析师，我一直苦于缺乏一种能够量化和管理风险的有效方法。这本书关于贝叶斯方法的讲解，彻底改变了我的思维模式。它不再局限于“是”或“否”的二元判断，而是提供了一种更加灵活和富有洞察力的视角。我被书中关于如何 Incorporate 先验知识来更新信念的思路深深吸引，这在很多现实业务场景中都至关重要，比如产品推广效果的预测，或者市场趋势的判断。书中通过一系列生动的案例，例如疾病诊断、信用评分等，清晰地展示了贝叶斯方法如何在数据有限的情况下，依然能够做出相对准确的预测，并且能够清晰地表达预测的不确定性。最让我惊喜的是，它不仅仅停留在理论层面，还巧妙地将 Python 的强大功能融入其中，通过实际的代码演示，让我能够真正掌握如何运用这些工具来解决实际问题。从简单的线性回归到更复杂的模型，书中都提供了详细的实现步骤和解释。这让我觉得，贝叶斯方法不再是高高在上的学术理论，而是触手可及的强大分析工具。

评分☆☆☆☆☆

这套书的内容简直是为我量身定做的！我一直对机器学习领域充满好奇，特别是深度学习，但市面上很多教材都过于侧重公式推导，看得我头晕眼花，难以理解其背后的直觉。这本书的出现，就像一束光照亮了我前进的方向。它没有一开始就抛出复杂的数学模型，而是先从深度学习的基本概念入手，比如神经网络的结构、激活函数的作用，然后逐步深入到更核心的原理，例如反向传播算法的细节，以及各种优化器的原理和适用场景。最让我惊喜的是，书中对卷积神经网络（CNN）和循环神经网络（RNN）的讲解，都配有非常形象的比喻和详细的图示，让我能够轻松理解它们是如何处理图像和序列数据的。而且，它不仅仅是理论的堆砌，更重要的是，书中提供了大量的 Python 代码示例，并且这些代码是可运行的，可以直接拿来学习和修改。这对于我这种喜欢动手实践的人来说，简直太友好了！通过阅读和运行这些代码，我不仅理解了算法的逻辑，还学会了如何使用 Python 库来构建和训练深度学习模型。这本书的深度和广度都非常适中，既能让我对深度学习有一个扎实的理解，又不会让我感到 overwhelming。