Avis des lecteurs
Résumé:Ce livre est un guide pratique de la programmation probabiliste avec PyMC, salué pour la clarté de son contenu et son approche pratique. Cependant, plusieurs évaluateurs ont noté des problèmes de qualité et de clarté de l'édition imprimée, ainsi que certains défis liés à la compatibilité des versions et aux erreurs de code.
Avantages:Excellent contenu, explication claire des concepts, forte approche pratique de l'apprentissage, excellent matériel complémentaire, carnets Jupyter utiles disponibles sur GitHub, apprécié pour faire le lien entre les sujets débutants et avancés de l'analyse bayésienne.
Inconvénients:Mauvaise qualité d'impression dans les éditions physiques, formalisme mathématique insuffisant, erreurs de code présentes dans le livre, manque d'indications sur les versions de Python et PyMC, quantité écrasante de code qui pourrait être simplifié, et certains ont trouvé le livre trompeur en ce qui concerne son public.
(basé sur 45 avis de lecteurs)
Titre original :
Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference
Contenu du livre :
Maîtriser l'inférence bayésienne à travers des exemples pratiques et des calculs - sans analyse mathématique avancée
Les méthodes bayésiennes d'inférence sont profondément naturelles et extrêmement puissantes. Cependant, la plupart des discussions sur l'inférence bayésienne s'appuient sur des analyses mathématiques intensément complexes et des exemples artificiels, ce qui les rend inaccessibles à quiconque n'a pas de solides connaissances en mathématiques. Aujourd'hui, Cameron Davidson-Pilon présente l'inférence bayésienne d'un point de vue informatique, jetant un pont entre la théorie et la pratique et vous permettant d'obtenir des résultats en utilisant la puissance de calcul.
L'ouvrage Bayesian Methods for Hackers met en lumière l'inférence bayésienne par le biais de la programmation probabiliste avec le puissant langage PyMC et les outils Python étroitement liés que sont NumPy, SciPy et Matplotlib. Cette approche permet d'obtenir des solutions efficaces par petites touches, sans intervention mathématique importante.
Davidson-Pilon commence par présenter les concepts qui sous-tendent l'inférence bayésienne, en la comparant à d'autres techniques et en vous guidant dans la construction et l'entraînement de votre premier modèle bayésien. Ensuite, il présente PyMC à travers une série d'exemples détaillés et d'explications intuitives qui ont été affinées à la suite de nombreux commentaires d'utilisateurs. Vous apprendrez à utiliser l'algorithme de Monte Carlo par chaîne de Markov, à choisir des tailles d'échantillon et des prieurs appropriés, à travailler avec des fonctions de perte et à appliquer l'inférence bayésienne dans des domaines allant de la finance au marketing. Une fois que vous aurez maîtrisé ces techniques, vous vous tournerez constamment vers ce guide pour obtenir le code PyMC fonctionnel dont vous avez besoin pour démarrer vos futurs projets.
La couverture comprend
- Apprendre l'« état d'esprit » bayésien et ses implications pratiques.
- Comprendre comment les ordinateurs effectuent l'inférence bayésienne.
- Utiliser la bibliothèque PyMC Python pour programmer des analyses bayésiennes.
- Construire et déboguer des modèles avec PyMC.
- Tester la « qualité de l'ajustement » de votre modèle.
- Ouvrir la « boîte noire » de l'algorithme de la chaîne de Markov Monte Carlo pour voir comment et pourquoi il fonctionne.
- Exploiter la puissance de la « loi des grands nombres ».
- Maîtriser les concepts clés, tels que le regroupement, la convergence, l'autocorrélation et l'amincissement.
- Utiliser des fonctions de perte pour mesurer les faiblesses d'une estimation en fonction de vos objectifs et des résultats souhaités.
- Sélectionner des a priori appropriés et comprendre comment leur influence évolue en fonction de la taille de l'ensemble de données.
- Surmonter le dilemme « exploration versus exploitation » : décider quand « assez bon » est suffisant.
- Utiliser l'inférence bayésienne pour améliorer les tests A/B.
- Résoudre les problèmes de science des données lorsque l'on ne dispose que de petites quantités de données.
Cameron Davidson-Pilon a travaillé dans de nombreux domaines des mathématiques appliquées, de la dynamique évolutive des gènes et des maladies à la modélisation stochastique des prix financiers. Ses contributions à la communauté open source incluent lifelines, une implémentation de l'analyse de survie en Python. Formé à l'université de Waterloo et à l'université indépendante de Moscou, il travaille actuellement avec le leader du commerce en ligne Shopify.
Autres informations sur le livre :
| ISBN : | 9780133902839 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2015 |
| Nombre de pages : | 256 |
Achat:
Actuellement disponible, en stock.
