کتاب Bayesian Analysis with Python, 3rd Edition: A practical guide to probabilistic modeling (تحلیل بیزی با پایتون، ویرایش سوم: راهنمای عملی برای مدل‌سازی احتمالاتی) یک راهنمای کاربردی و جامع برای تسلط بر هنر مدل‌سازی احتمالاتی با استفاده از زبان برنامه‌نویسی همه کاره پایتون است.
کتاب Bayesian Analysis with Python خوانندگان را با ابزار‌ها و تکنیک‌های ضروری برای مهار قدرت تحلیل بیزی برای طیف گسترده‌ای از کاربرد‌های دنیای واقعی مجهز می‌کند.
با توضیحات واضح، مثال‌های عملی و تمرین‌های عملی، این نسخه درک کاملی از استنتاج بیزی، برنامه‌ریزی احتمالی و مدل‌سازی بیزی ارائه می‌دهد. خواه دانشمند داده، محقق یا علاقه‌مند به جستجو در استدلال احتمالی باشید، این کتاب سفری روشن‌تر و توانمند به دنیای تحلیل بیزی با پایتون ارائه می‌دهد.
در ادامه مقدمه‌ای از کتاب Bayesian Analysis with Python را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Bayesian Analysis with Python:
آمار بیزی بیش از ۲۵۰ سال است که در حال توسعه است. در طول این مدت، به همان اندازه که با تحقیر و تحقیر مواجه شده است، از شناسایی و قدردانی برخوردار بوده است. در طول چند دهه اخیر، بیشتر و بیشتر مورد توجه مردم در آمار و تقریباً سایر علوم، مهندسی و حتی خارج از مرز‌های جهان دانشگاهی قرار گرفته است.
این احیا به دلیل پیشرفت‌های نظری و محاسباتی که عمدتاً در نیمه دوم قرن بیستم توسعه یافته است، امکان‌پذیر بوده است. در واقع، آمار بیزی مدرن بیشتر آمار محاسباتی است. ضرورت مدل‌های منعطف و شفاف و تفسیر شهودی‌تر مدل‌ها و تحلیل‌های آماری تنها به این روند کمک کرده است.
در کتاب Bayesian Analysis with Python، تمرکز ما بر روی یک رویکرد عملی به آمار بیزی خواهد بود و به بحث در مورد رویکرد فراوان گرایی یا ارتباط آن با آمار بیزی نخواهیم پرداخت. این تصمیم برای حفظ تمرکز واضح و مختصر بر روی موضوع اتخاذ شده است. اگر به این دیدگاه علاقه دارید، انجام تجزیه و تحلیل داده بیزی ممکن است کتابی برای شما باشد [Kruschke، ۲۰۱۴].
ما همچنین از بحث‌های فلسفی اجتناب می‌کنیم، نه به این دلیل که جالب یا مرتبط نیستند، بلکه به این دلیل که این کتاب قصد دارد راهنمای عملی برای تجزیه و تحلیل داده‌های بیزی باشد. یک مطالعه خوب برای چنین بحثی، کلایتون [۲۰۲۱] است.
ما از یک رویکرد مدل‌سازی برای آمار پیروی می‌کنیم. ما یاد خواهیم گرفت که چگونه بر اساس مدل‌های احتمالی فکر کنیم و قضیه بیز را برای استخراج پیامد‌های منطقی مدل‌ها و داده‌های خود به کار ببریم. این رویکرد همچنین محاسباتی خواهد بود. مدل‌ها با استفاده از PyMC [Abril-Pla و همکاران، ۲۰۲۳] و Bambi [Capretto و همکاران، ۲۰۲۲] کدگذاری خواهند شد.
این‌ها کتابخانه‌هایی برای آمار بیزی هستند که بیشتر جزئیات و محاسبات ریاضی را از کاربر پنهان می‌کنند. سپس از ArviZ [Kumar و همکاران، ۲۰۱۹]، یک بسته پایتون برای تحلیل اکتشافی مدل‌های بیزی، برای درک بهتر نتایج خود استفاده خواهیم کرد.
همچنین کتابخانه‌های دیگری در اکوسیستم پایتون، از جمله PreliZ [Icazatti و همکاران، ۲۰۲۳] برای استخراج قبلی، Kulprit برای انتخاب متغیر، و PyMC-BART [Quiroga و همکاران، ۲۰۲۲] برای رگرسیون انعطاف‌پذیر، به ما کمک خواهند کرد. و البته، ما همچنین از ابزار‌های رایج از پشته استاندارد پایتون داده استفاده خواهیم کرد، مانند NumPy [Harris et al. ، ۲۰۲۰]، matplotlib [Hunter، ۲۰۰۷]، Pandas [Wes McKinney، ۲۰۱۰] و غیره.
بیشتر بخوانید: کتاب Bayesian Optimization
روش‌های بیزی از نظر تئوری مبتنی بر نظریه احتمال هستند، و بنابراین جای تعجب نیست که بسیاری از کتاب‌های مربوط به آمار بیزی مملو از فرمول‌های ریاضی است که به سطح معینی از پیچیدگی ریاضی نیاز دارند.
یادگیری مبانی ریاضی آمار مطمئناً به شما کمک می‌کند تا مدل‌های بهتری بسازید و در مورد مسائل، مدل‌ها و نتایج شهود به دست‌آورید. با این وجود، کتابخانه‌هایی مانند PyMC به ما اجازه می‌دهند تا آمار بیزی را فقط با مقدار کمی از دانش ریاضی یاد بگیریم و انجام دهیم، زیرا می‌توانید در این کتاب خود را تأیید کنید.
کتاب Bayesian Analysis with Python برای چه کسی است؟
اگر دانشجو، دانشمند داده، محقق در علوم طبیعی یا اجتماعی، یا توسعه دهنده‌ای هستید که می‌خواهید با تجزیه و تحلیل داده‌های بیزی و برنامه‌نویسی احتمالی شروع کنید، این کتاب برای شما مناسب است.
کتاب مقدماتی است، بنابراین نیازی به دانش آماری قبلی نیست. با این حال، این کتاب فرض می‌کند که شما تجربه‌ای با پایتون و آشنایی با کتابخانه‌هایی مانند NumPy و matplotlib دارید.
آنچه کتاب Bayesian Analysis with Python پوشش می‌دهد:
فصل ۱، تفکر احتمالی، مفاهیم اساسی آمار بیزی و پیامد‌های آن برای تجزیه و تحلیل داده‌ها را پوشش می‌دهد. این فصل از کتاب Bayesian Analysis with Python، شامل بیشتر‌ایده‌های بنیادی مورد استفاده در بقیه کتاب است.
فصل ۲، برنامه‌نویسی به صورت احتمالی، مفاهیم فصل قبل را از منظر محاسباتی‌تر مورد بررسی قرار می‌دهد. کتابخانه برنامه‌نویسی احتمالی PyMC و ArviZ، یک کتابخانه پایتون برای تحلیل اکتشافی مدل‌های بیزی معرفی شده‌اند.
فصل ۳، مدل‌های سلسله مراتبی، ایده‌های اصلی مدل‌های سلسله مراتبی را از طریق مثال‌ها نشان می‌دهد.
فصل ۴، مدل‌سازی با خطوط، عناصر اساسی رگرسیون خطی، یک مدل بسیار پرکاربرد و بلوک ساختاری مدل‌های پیچیده‌تر را پوشش می‌دهد و سپس به مدل‌های خطی تعمیم می‌دهد تا بسیاری از مسائل تحلیل داده‌ها را حل کند.
در فصل ۵، مقایسه مدل‌ها، نحوه مقایسه و انتخاب مدل‌ها با استفاده از بررسی‌های پیش‌بینی پسین، LOO و عوامل بیز بحث می‌شود. اخطار‌های کلی این روش‌ها مورد بحث قرار گرفته و میانگین‌گیری مدل نیز نشان داده شده است.
فصل ۶، مدل‌سازی با بامبی، بامبی را معرفی می‌کند، یک کتابخانه بیزی که بر روی PyMC ساخته شده است که کار با مدل‌های خطی تعمیم یافته را ساده می‌کند. در این فصل از کتاب Bayesian Analysis with Python، ما همچنین انتخاب متغیر و مدل‌های جدید مانند splines را مورد بحث قرار خواهیم داد.
در فصل ۷ کتاب Bayesian Analysis with Python، مدل‌های مخلوط، نحوه افزودن انعطاف‌پذیری به مدل‌ها با اختلاط توزیع‌های ساده‌تر برای ساختن توزیع‌های پیچیده‌تر بحث می‌شود. اولین مدل ناپارامتریک در کتاب Bayesian Analysis with Python نیز معرفی شده است: فرآیند دیریکله.
فصل ۸، فرآیند‌های گاوسی، ایده اصلی در پس فرآیند‌های گاوسی و نحوه استفاده از آن‌ها برای ساخت مدل‌های ناپارامتریک بر روی توابع برای طیف گسترده‌ای از مسائل را پوشش می‌دهد.
فصل ۹، درختان رگرسیون افزودنی بیزی، خوانندگان را با یک مدل رگرسیون انعطاف‌پذیر آشنا می‌کند که درخت‌های تصمیم‌گیری و تکنیک‌های مدل‌سازی بیزی را ترکیب می‌کند.
این فصل از کتاب Bayesian Analysis with Python، ویژگی‌های کلیدی BART، از جمله انعطاف‌پذیری آن در ثبت روابط غیرخطی بین پیش‌بینی‌کننده‌ها و نتایج و نحوه استفاده از آن برای انتخاب متغیر را پوشش می‌دهد.
فصل ۱۰، موتور‌های استنتاج، مقدمه‌ای بر روش‌های تقریب عددی توزیع پسین و همچنین موضوع بسیار مهمی از دیدگاه پزشک ارائه می‌کند: نحوه تشخیص قابلیت اطمینان تقریبی خلفی.
فصل ۱۱، به کجا برویم؟ ، فهرستی از منابع برای ادامه یادگیری از فراتر از این کتاب و یک سخنرانی خداحافظی مختصر ارائه می‌کند.
چه چیزی در نسخه جدید کتاب Bayesian Analysis with Python است؟
ما بازخورد خوانندگان نسخه دوم را برای اصلاح متن و کد در این نسخه سوم به منظور بهبود وضوح و خوانایی گنجانده‌ایم. ما همچنین نمونه‌های جدید و بخش‌های جدیدی را اضافه کرده‌ایم و برخی از بخش‌هایی را که به گذشته مفید نبودند حذف کرده‌ایم.
در نسخه دوم، ما به طور گسترده از PyMC و ArviZ استفاده می‌کنیم. در این نسخه جدید، ما از آخرین نسخه موجود PyMC و ArviZ در زمان نگارش استفاده می‌کنیم و برخی از ویژگی‌های جدید آن را به نمایش می‌گذاریم. این نسخه جدید همچنین نشان می‌دهد که چگونه اکوسیستم PyMC در چند سال گذشته شکوفا شده است. ما در مورد ۴ کتابخانه جدید بحث می‌کنیم:
بامبی، کتابخانه‌ای برای مدل‌های رگرسیون بیزی با رابط کاربری بسیار ساده. ما یک فصل به آن اختصاص داده‌ایم.
Kulprit، یک کتابخانه بسیار جدید برای انتخاب متغیر که در بالای Bambi ساخته شده است. ما یک مثال از نحوه استفاده از آن را نشان می‌دهیم و شهودی را برای نظریه پشت این بسته ارائه می‌دهیم.
PreliZ یک کتابخانه برای استخراج قبلی است. ما آن را از فصل ۱ و در بسیاری از فصل‌های بعد از آن استفاده می‌کنیم.
PyMC-BART، کتابخانه‌ای که PyMC را برای پشتیبانی از درختان رگرسیون افزودنی بیزی گسترش می‌دهد. ما یک فصل به آن اختصاص داده‌ایم.
فهرست زیر تغییرات ایجاد شده در ویرایش سوم کتاب Bayesian Analysis with Python را در مقایسه با ویرایش دوم نشان می‌دهد.
فصل ۱ کتاب Bayesian Analysis with Python، تفکر احتمالی مقدمه جدیدی به نظریه احتمالات اضافه کرده‌ایم. این چیزی است که بسیاری از خوانندگان درخواست کردند. مقدمه قرار نیست جایگزینی برای یک دوره مناسب در تئوری احتمالات باشد، اما باید برای شروع کافی باشد.
فصل ۲ کتاب Bayesian Analysis with Python، برنامه‌نویسی به صورت احتمالی ما در مورد نسبت چگالی Savage-Dickey بحث می‌کنیم (همچنین در فصل ۵ مورد بحث قرار گرفت). ما شیء InferenceData را از ArviZ و نحوه استفاده از coord و dims با PyMC و ArviZ توضیح می‌دهیم. ما بخش مدل‌های سلسله مراتبی را به فصل خودش یعنی فصل ۳ منتقل کردیم.
فصل ۳، مدل‌های سلسله مراتبی بحث مدل‌های سلسله مراتبی را به فصل اختصاصی آن ارتقا داده‌ایم. ما بحث مدل‌های سلسله مراتبی را اصلاح می‌کنیم و یک مثال جدید اضافه می‌کنیم، که برای آن از مجموعه داده‌ای از لیگ‌های اروپایی فوتبال استفاده می‌کنیم.
فصل ۴، مدل‌سازی با خطوط این فصل به طور گسترده بازنویسی شده است. ما از مجموعه داده Bikes برای معرفی رگرسیون خطی ساده و رگرسیون دو جمله‌ای منفی استفاده می‌کنیم.
مدل‌های خطی تعمیم‌یافته (GLM) در اوایل این فصل معرفی شده‌اند (در نسخه قبلی آن‌ها در فصل دیگری معرفی شدند). این به شما کمک می‌کند تا ارتباط بین رگرسیون خطی و GLM را ببینید و به ما اجازه می‌دهد تا مفاهیم پیشرفته‌تری را در فصل ۶ معرفی کنیم.
فصل ۵ کتاب Bayesian Analysis with Python، مقایسه مدل‌ها، متن را برای شفاف‌تر کردن آن پاک کرده‌ایم و برخی از بیت‌ها را که در نهایت مفید نبودند، حذف کرده‌ایم.
ما اکنون استفاده از LOO را در مقابل WAIC توصیه می‌کنیم. ما بحثی در مورد نسبت چگالی Savage-Dickey برای محاسبه عوامل بیز اضافه کرده‌ایم.
فصل ۶، مدل‌سازی با Bambi ما به شما نشان می‌دهیم که چگونه از Bambi، یک رابط ساخت مدل بیزی سطح بالا که در پایتون نوشته شده است، استفاده کنید.
ما از نحو ساده ارائه شده توسط Bambi برای گسترش آنچه در فصل ۴ آموختیم، از جمله خطوط، مدل‌های توزیعی، مدل‌های طبقه‌بندی و تعاملات استفاده می‌کنیم.
همچنین نشان می‌دهیم که چگونه Bambi می‌تواند به ما در تفسیر مدل‌های خطی پیچیده کمک کند که در غیر این صورت ممکن است گیج‌کننده، مستعد خطا یا صرفاً وقت‌گیر شوند. ما فصل را با بحث در مورد انتخاب متغیر با Kulprit، یک بسته پایتون که کاملاً با Bambi ادغام می‌شود، می‌بندیم.
فصل ۷ کتاب Bayesian Analysis with Python، مدل‌های مخلوط برخی از بحث‌ها را بر اساس بازخورد خوانندگان روشن کرده‌ایم. ما همچنین مدل‌های Zero-Inflated و Hurdle را مورد بحث قرار می‌دهیم و نحوه استفاده از ریشه‌نگاری برای ارزیابی تناسب مدل‌های گسسته را نشان می‌دهیم.
فصل ۸، فرآیند‌های گاوسی ما متن را برای شفاف کردن توضیحات پاک کردیم و مقداری از کد و متن دیگ بخار را برای خواندن روان‌تر حذف کردیم.
ما همچنین در مورد چگونگی تعریف یک هسته با فاصله سفارشی به جای فاصله پیش فرض اقلیدسی بحث می‌کنیم. ما در مورد کاربرد عملی فرآیند‌های گاوسی فضایی هیلبرت، یک تقریب سریع به فرآیند‌های گاوسی بحث می‌کنیم.
فصل ۹ کتاب Bayesian Analysis with Python، درختان رگرسیون افزودنی بیزی این یک فصل کاملاً جدید است که در مورد مدل‌های BART، یک روش بیزی غیر پارامتری انعطاف‌پذیر و با استفاده آسان است.
فصل ۱۰، موتور‌های استنتاج ما بحث در مورد استنتاج تغییرات را حذف کردیم زیرا در کتاب استفاده نشده است. ما بحث نمودار‌های ردیابی، ^R، ESS و MCSE را به روز کرده و گسترش داده‌ایم. ما همچنین یک بحث در مورد نمودار‌های رتبه و مثال بهتری از واگرایی‌ها و پارامتر‌های متمرکز در مقابل غیرمرکز گنجانده‌ایم.
سرفصل‌های کتاب Bayesian Analysis with Python:
- Preface
- Chapter 1 Thinking Probabilistically
- Chapter 2 Programming Probabilistically
- Chapter 3 Hierarchical Models
- Chapter 4 Modeling with Lines
- Chapter 5 Comparing Models
- Chapter 6 Modeling with Bambi
- Chapter 7 Mixture Models
- Chapter 8 Gaussian Processes
- Chapter 9 Bayesian Additive Regression Trees
- Chapter 10 Inference Engines
- Chapter 11 Where to Go Next
- Bibliography
- Other Books You May Enjoy
- Index
جهت دانلود کتاب Bayesian Analysis with Python می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.