潍坊科技学院图书馆书目检索系统

Online Public Access Catalogue

题名/责任者:

Python贝叶斯建模与计算/(阿根廷) 奥斯瓦尔多·A.马丁, (美) 拉万·库马尔, 劳俊鹏著 郭涛译

出版发行项:

北京:清华大学出版社,2024

ISBN及定价:

978-7-302-65485-8/CNY98.00

载体形态项:

XX, 324页:图;24cm

并列正题名:

Bayesian modeling and computation in Python

丛编项:

数据科学与大数据技术

个人责任者:

马丁 (Martin, Osvaldo A.) 著

个人责任者:

库马尔 (Kumar, Ravin) 著

个人责任者:

劳俊鹏 著

个人次要责任者:

郭涛 译

学科主题:

程序语言-程序设计

学科主题:

贝叶斯方法

非控制主题词:

Python

中图法分类号:

TP312PY

中图法分类号:

F222.1

出版发行附注:

由Taylor & Francis出版集团旗下CRC Press出版公司出版授权出版

相关题名附注:

英文题名取自封面

责任者附注:

Osvaldo A. Martin是阿根廷IMASL-CONICET和芬兰阿尔托大学计算机科学系的研究员。他拥有生物物理学和结构生物信息学博士学位。多年来, 他日益精进对贝叶斯方面的数据分析问题的研究。他对开发和实现贝叶斯统计和概率建模软件工具尤其感兴趣。Ravin Kumar是谷歌的数据科学家, 此前曾在SpaceX和Sweetgreen等公司工作。他拥有制造工程硕士学位和机械工程学士学位。他发现贝叶斯统计可以有效地为组织建模以及制定策略。Junpeng Lao是谷歌的数据科学家。在此之前, 他获得了博士学位, 随后作为博士后在认知神经科学领域开展研究。他主要研究Bootstrapping和Permutation, 由此对贝叶斯统计和生成建模产生了浓厚的兴趣。

提要文摘附注:

本书使用了PyMC3、Tensorflow Probability和ArviZ等多个软件库的实践方法, 重点为应用统计学的实践方法, 并参考了基础数学理论。本书首先回顾贝叶斯推断的概念。第2章介绍了贝叶斯模型探索性分析的现代方法。基于这两个基本原理, 接下来的章节介绍了各种模型, 包括线性回归、样条、时间序列和贝叶斯加性回归树。其后几章讨论的主题包括: 逼近贝叶斯计算, 通过端到端案例研究展示如何在不同环境中应用贝叶斯建模, 以及概率编程语言内部构件。最后一章深入数学方面或扩展对某些主题的讨论, 作为本书其余部分的参考。

豆瓣简介：