دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [2 ed.]
نویسندگان: Osvaldo Martin
سری:
ISBN (شابک) : 1789341655, 9781789341652
ناشر: Packt Publishing
سال نشر: 2018
تعداد صفحات: 356
[350]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 30 Mb
در صورت تبدیل فایل کتاب Bayesian Analysis with Python: Introduction to statistical modeling and probabilistic programming using PyMC3 and ArviZ به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تحلیل بیزی با پایتون: مقدمهای بر مدلسازی آماری و برنامهنویسی احتمالی با استفاده از PyMC3 و ArviZ نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
مدلسازی بیزی با PyMC3 و تحلیل اکتشافی مدلهای بیزی با ArviZ ویژگی های کلیدی • راهنمای گام به گام برای انجام تجزیه و تحلیل داده های بیزی با استفاده از PyMC3 و ArviZ • یک رویکرد مدرن، عملی و محاسباتی به مدلسازی آماری بیزی • آموزش تجزیه و تحلیل بیزی و بهترین شیوه ها با کمک نمونه مسائل و تمرینات تمرینی. توضیحات کتاب ویرایش دوم تجزیه و تحلیل بیزی با پایتون، مقدمه ای بر مفاهیم اصلی استنتاج بیزی کاربردی و اجرای عملی آن در پایتون با استفاده از PyMC3، یک کتابخانه برنامه نویسی احتمالی پیشرفته، و ArviZ، یک کتابخانه جدید برای تجزیه و تحلیل اکتشافی است. مدل های بیزی مفاهیم اصلی آمار بیزی با استفاده از رویکرد عملی و محاسباتی پوشش داده شده است. مجموعه دادههای مصنوعی و واقعی برای معرفی چندین نوع مدل، مانند مدلهای خطی تعمیمیافته برای رگرسیون و طبقهبندی، مدلهای مخلوط، مدلهای سلسله مراتبی، و فرآیندهای گاوسی و غیره استفاده میشوند. در پایان کتاب، دانش کاری در مورد مدلسازی احتمالی خواهید داشت و میتوانید مدلهای بیزی را برای مسائل علم داده خود طراحی و پیادهسازی کنید. پس از خواندن کتاب، در صورت نیاز، آمادگی بیشتری برای بررسی مطالب پیشرفتهتر یا مدلسازی آماری تخصصی خواهید داشت. آنچه خواهید آموخت • ساخت مدل های احتمالی با استفاده از کتابخانه پایتون PyMC3 • تحلیل مدل های احتمالی با کمک ArviZ • مهارت های لازم برای مدل های بررسی سلامت عقل را به دست آورید و در صورت لزوم آنها را اصلاح کنید • مزایا و اخطارهای مدل های سلسله مراتبی را درک کنید • دریابید که چگونه می توان از مدل های مختلف برای پاسخ به سوالات مختلف تجزیه و تحلیل داده ها استفاده کرد • مدل ها را مقایسه کنید و بین مدل های جایگزین انتخاب کنید • کشف کنید که چگونه مدل های مختلف از دیدگاه احتمالی یکپارچه شده اند • به صورت احتمالی فکر کنید و از انعطاف پذیری چارچوب بیزی بهره مند شوید این کتاب برای چه کسی است اگر دانشآموز، دانشمند داده، محقق یا توسعهدهنده هستید و میخواهید با تحلیل دادههای بیزی و برنامهنویسی احتمالی شروع کنید، این کتاب برای شما مناسب است. این کتاب مقدماتی است، بنابراین نیازی به دانش آماری قبلی نیست، اگرچه تجربه کمی در استفاده از Python و NumPy انتظار می رود.
Bayesian modeling with PyMC3 and exploratory analysis of Bayesian models with ArviZ Key Features • A step-by-step guide to conduct Bayesian data analyses using PyMC3 and ArviZ • A modern, practical and computational approach to Bayesian statistical modeling • A tutorial for Bayesian analysis and best practices with the help of sample problems and practice exercises. Book Description The second edition of Bayesian Analysis with Python is an introduction to the main concepts of applied Bayesian inference and its practical implementation in Python using PyMC3, a state-of-the-art probabilistic programming library, and ArviZ, a new library for exploratory analysis of Bayesian models. The main concepts of Bayesian statistics are covered using a practical and computational approach. Synthetic and real data sets are used to introduce several types of models, such as generalized linear models for regression and classification, mixture models, hierarchical models, and Gaussian processes, among others. By the end of the book, you will have a working knowledge of probabilistic modeling and you will be able to design and implement Bayesian models for your own data science problems. After reading the book you will be better prepared to delve into more advanced material or specialized statistical modeling if you need to. What you will learn • Build probabilistic models using the Python library PyMC3 • Analyze probabilistic models with the help of ArviZ • Acquire the skills required to sanity check models and modify them if necessary • Understand the advantages and caveats of hierarchical models • Find out how different models can be used to answer different data analysis questions • Compare models and choose between alternative ones • Discover how different models are unified from a probabilistic perspective • Think probabilistically and benefit from the flexibility of the Bayesian framework Who this book is for If you are a student, data scientist, researcher, or a developer looking to get started with Bayesian data analysis and probabilistic programming, this book is for you. The book is introductory so no previous statistical knowledge is required, although some experience in using Python and NumPy is expected.