Avis des lecteurs
Résumé:Le livre a reçu des critiques mitigées, certains lecteurs louant ses exemples pratiques et son utilité pour l'apprentissage des statistiques bayésiennes à l'aide du progiciel LearnBayes, tandis que d'autres lui reprochent de manquer d'explications théoriques, de ne pas fournir de solutions aux exercices et d'avoir de mauvaises pratiques de programmation. Dans l'ensemble, il semble s'adresser davantage à ceux qui sont déjà familiarisés avec les concepts qu'aux débutants.
Avantages:⬤ Bons exemples concrets et applications pratiques des méthodes bayésiennes.
⬤ Package LearnBayes utile pour l'apprentissage de R et des statistiques bayésiennes.
⬤ Certains lecteurs l'ont trouvé bénéfique lorsqu'il est utilisé en conjonction avec d'autres ressources.
⬤ Commentaires positifs sur l'emballage et la livraison du livre.
⬤ Il manque des solutions aux exercices des chapitres, ce qui le rend moins efficace pour l'auto-apprentissage.
⬤ Certains contenus sont mal expliqués et manquent de profondeur théorique.
⬤ Utilisation confuse des noms de variables dans les exemples de programmation.
⬤ Il n'est pas adapté aux débutants ; il suppose une connaissance préalable de l'informatique bayésienne et de R.
⬤ Certains lecteurs l'ont trouvé presque inutile pour une application pratique.
(basé sur 9 avis de lecteurs)
Titre original :
Bayesian Computation with R
Contenu du livre :
Le développement et l'application de l'inférence bayésienne en statistique ont connu une croissance spectaculaire. Berger (2000) documente l'augmentation de l'activité bayésienne par le nombre d'articles de recherche publiés, le nombre de livres et le nombre important d'applications d'articles bayésiens dans des disciplines appliquées telles que les sciences et l'ingénierie.
L'une des raisons de la croissance spectaculaire de la modélisation bayésienne est la disponibilité d'algorithmes informatiques permettant de calculer la gamme d'intégrales nécessaires à l'analyse bayésienne a posteriori. Grâce à la vitesse des ordinateurs modernes, il est désormais possible d'utiliser le paradigme bayésien pour traiter des modèles très complexes qui ne peuvent pas être traités par des méthodes fréquentistes alternatives. Pour traiter les modèles bayésiens, il faut disposer d'un environnement de calcul statistique.
Cet environnement doit permettre : d'écrire de courts scripts pour définir un modèle bayésien d'utiliser ou d'écrire des fonctions pour résumer une distribution postérieure d'utiliser des fonctions pour simuler à partir de la distribution postérieure de construire des graphiques pour illustrer l'inférence postérieure Le système R est un environnement qui répond à ces exigences. R fournit un large éventail de fonctions pour la manipulation des données, le calcul et les jeux graphiques.
En outre, il comprend un langage de programmation simple et bien développé que les utilisateurs peuvent étendre en ajoutant de nouvelles fonctions. De nombreuses extensions du langage, sous forme de paquets, peuvent être facilement téléchargées à partir du Compensive R Archive Network (CRAN).
Autres informations sur le livre :
| ISBN : | 9780387922973 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
