机读格式显示(MARC)

• 000 02308oam2 2200373 450

• 001 0000701191

• 005 20240715142500.0

• 010 __ |a 978-7-302-65485-8 |d CNY98.00

• 100 __ |a 20240413d2024 em y0chiy50 ea

• 101 1_ |a chi |c spa |c eng

• 102 __ |a CN |b 110000

• 105 __ |a a z 000yy

• 106 __ |a r

• 200 1_ |a Python贝叶斯建模与计算 |A Pythonbei ye si jian mo yu ji suan |f (阿根廷) 奥斯瓦尔多·A.马丁, (美) 拉万·库马尔, 劳俊鹏著 |g 郭涛译

• 210 __ |a 北京 |c 清华大学出版社 |d 2024

• 215 __ |a XX, 324页 |c 图 |d 24cm

• 225 2_ |a 数据科学与大数据技术 |A shu ju ke xue yu da shu ju ji shu

• 306 __ |a 由Taylor & Francis出版集团旗下CRC Press出版公司出版授权出版

• 312 __ |a 英文题名取自封面

• 314 __ |a 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。

• 330 __ |a 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。

• 410 _0 |1 2001 |a 数据科学与大数据技术

• 510 1_ |a Bayesian modeling and computation in Python |z eng

• 606 0_ |a 程序语言 |A cheng xu yu yan |x 程序设计

• 606 0_ |a 贝叶斯方法 |A bei ye si fang fa

• 610 0_ |a Python |A Python

• 690 __ |a TP312PY |v 5

• 690 __ |a F222.1 |v 5

• 701 _1 |a 马丁 |A ma ding |g (Martin, Osvaldo A.) |4 著

• 701 _1 |a 库马尔 |A ku ma er |g (Kumar, Ravin) |4 著

• 701 _1 |a 劳俊鹏 |A lao juan peng |4 著

• 702 _0 |a 郭涛 |A guo tao |4 译

• 801 _0 |a CN |b WFKJXY |c 20240715

• 905 __ |a WFKJXY |d TP312PY/61