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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Cameron Davidson-Pilon سری: Addison-Wesley Data and Analytics ISBN (شابک) : 0133902838, 9780133902839 ناشر: Addison-Wesley Professional سال نشر: 2015 تعداد صفحات: 252 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 17 مگابایت
کلمات کلیدی مربوط به کتاب روشهای بیزی برای هکرها: برنامهنویسی احتمالی و استنتاج بیزی: یادگیری ماشین، مدلهای احتمالی، پایتون، برنامهنویسی احتمالی، دادههای بزرگ، استنتاج بیزی، مالی، شبیهسازی مونت کارلو، رگرسیون خطی، NumPy، matplotlib، Kaggle، SciPy، نظریه احتمال، توابع ضرر، مدلهای مارکوف، PyMC، تست A/B
در صورت تبدیل فایل کتاب Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference 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 روشهای بیزی برای هکرها: برنامهنویسی احتمالی و استنتاج بیزی 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.
استنتاج استاد بیزی از طریق مثال های عملی و محاسبات – بدون تحلیل ریاضی پیشرفته روش های استنتاج بیزی عمیقاً طبیعی و بسیار قدرتمند هستند. با این حال، بیشتر بحثهای استنتاج بیزی بر تجزیه و تحلیلهای ریاضی بسیار پیچیده و مثالهای مصنوعی تکیه میکنند که آن را برای هر کسی بدون پیشزمینه قوی ریاضی غیرقابل دسترس میسازد. با این حال، اکنون کامرون دیویدسون-پیلون استنتاج بیزی را از دیدگاه محاسباتی معرفی میکند و تئوری را با عمل پیوند میدهد و شما را آزاد میکند تا با استفاده از قدرت محاسباتی به نتایج برسید. روشهای بیزی برای هکرها استنتاج بیزی را از طریق برنامهنویسی احتمالی با زبان قدرتمند PyMC و ابزارهای Python نزدیک NumPy، SciPy و Matplotlib روشن میکند. با استفاده از این رویکرد، میتوانید بدون مداخله ریاضی گسترده به راهحلهای مؤثر در افزایشهای کوچک برسید. Davidson-Pilon با معرفی مفاهیم زیربنایی استنتاج بیزی، مقایسه آن با سایر تکنیک ها و راهنمایی شما در ساخت و آموزش اولین مدل بیزی شروع می کند. در مرحله بعد، او PyMC را از طریق یک سری مثال های دقیق و توضیحات شهودی که پس از بازخورد گسترده کاربران اصلاح شده است، معرفی می کند. شما یاد خواهید گرفت که چگونه از الگوریتم مونت کارلو زنجیره مارکوف استفاده کنید، اندازههای نمونه و موارد قبلی را انتخاب کنید، با توابع ضرر کار کنید، و استنتاج بیزی را در حوزههای مختلف از مالی تا بازاریابی اعمال کنید. هنگامی که بر این تکنیک ها مسلط شدید، برای کد PyMC که برای شروع سریع پروژه های آینده نیاز دارید، دائماً به این راهنما مراجعه می کنید. پوشش شامل • یادگیری "وضعیت ذهن" بیزی و مفاهیم عملی آن • درک اینکه چگونه کامپیوترها استنتاج بیزی را انجام می دهند • استفاده از کتابخانه PyMC Python برای برنامه ریزی تحلیل های بیزی • ساخت و اشکال زدایی مدل ها با PyMC • آزمودن «خوب بودن تناسب» مدل شما • باز کردن "جعبه سیاه" الگوریتم مونت کارلو زنجیره مارکوف برای دیدن نحوه و چرایی کارکرد آن • استفاده از قدرت "قانون اعداد بزرگ" • تسلط بر مفاهیم کلیدی، مانند خوشه بندی، همگرایی، همبستگی خودکار، و نازک شدن • استفاده از توابع زیان برای اندازه گیری نقاط ضعف برآورد بر اساس اهداف و نتایج دلخواه شما • انتخاب پیشین های مناسب و درک اینکه چگونه تأثیر آنها با اندازه مجموعه تغییر می کند • غلبه بر دوراهی "اکتشاف در مقابل بهره برداری": تصمیم گیری در مورد زمانی که "بسیار خوب" به اندازه کافی خوب است • استفاده از استنتاج بیزی برای بهبود تست A/B • حل مسائل علم داده زمانی که فقط مقادیر کمی از داده ها در دسترس است کامرون دیویدسون پیلون در بسیاری از زمینههای ریاضیات کاربردی، از پویایی تکاملی ژنها و بیماریها تا مدلسازی تصادفی قیمتهای مالی، کار کرده است. کمک های او به جامعه منبع باز شامل Lifelines، پیاده سازی تجزیه و تحلیل بقا در پایتون است. او که در دانشگاه واترلو و دانشگاه مستقل مسکو تحصیل کرده است، در حال حاضر با رهبر تجارت آنلاین Shopify کار می کند.
Master Bayesian Inference through Practical Examples and Computation–Without Advanced Mathematical Analysis Bayesian methods of inference are deeply natural and extremely powerful. However, most discussions of Bayesian inference rely on intensely complex mathematical analyses and artificial examples, making it inaccessible to anyone without a strong mathematical background. Now, though, Cameron Davidson-Pilon introduces Bayesian inference from a computational perspective, bridging theory to practice–freeing you to get results using computing power. Bayesian Methods for Hackers illuminates Bayesian inference through probabilistic programming with the powerful PyMC language and the closely related Python tools NumPy, SciPy, and Matplotlib. Using this approach, you can reach effective solutions in small increments, without extensive mathematical intervention. Davidson-Pilon begins by introducing the concepts underlying Bayesian inference, comparing it with other techniques and guiding you through building and training your first Bayesian model. Next, he introduces PyMC through a series of detailed examples and intuitive explanations that have been refined after extensive user feedback. You’ll learn how to use the Markov Chain Monte Carlo algorithm, choose appropriate sample sizes and priors, work with loss functions, and apply Bayesian inference in domains ranging from finance to marketing. Once you’ve mastered these techniques, you’ll constantly turn to this guide for the working PyMC code you need to jumpstart future projects. Coverage includes • Learning the Bayesian “state of mind” and its practical implications • Understanding how computers perform Bayesian inference • Using the PyMC Python library to program Bayesian analyses • Building and debugging models with PyMC • Testing your model’s “goodness of fit” • Opening the “black box” of the Markov Chain Monte Carlo algorithm to see how and why it works • Leveraging the power of the “Law of Large Numbers” • Mastering key concepts, such as clustering, convergence, autocorrelation, and thinning • Using loss functions to measure an estimate’s weaknesses based on your goals and desired outcomes • Selecting appropriate priors and understanding how their influence changes with dataset size • Overcoming the “exploration versus exploitation” dilemma: deciding when “pretty good” is good enough • Using Bayesian inference to improve A/B testing • Solving data science problems when only small amounts of data are available Cameron Davidson-Pilon has worked in many areas of applied mathematics, from the evolutionary dynamics of genes and diseases to stochastic modeling of financial prices. His contributions to the open source community include lifelines, an implementation of survival analysis in Python. Educated at the University of Waterloo and at the Independent University of Moscow, he currently works with the online commerce leader Shopify.