近日，机器学习爱好者Cameron Davidson-Pilon在GitHub上发布了《概率编程和贝叶斯方法实践》一书，该书以动手编程和理解为首要任务，数学原理次之的理念，以概率编程的角度为读者介绍贝叶斯方法。该书为入门书籍，主要面向数学基础较弱以及不关心其数学原理的读者，对于经过严格数学训练的读者，建议结合其他有数学分析的相关图书阅读。该书源代码构成的项目在GitHub上获得了高达5900+个星标，被fork 1100多次，目前有765次更新以及74位贡献者。全书使用Python脚本语言作为示例语言，采用非常新颖的IPython Notebook形式发布，全部代码都可以随时执行并立即得到效果。《概率编程和贝叶斯方法实践》一书之所以选择PyMC作为概率编程语言，主要考虑到两个原因，一是PyMC缺乏入门教材，官方文档假设读者对贝叶斯和概率编程都很了解；二是鉴于近年来Python语言在学术界的流行程度，PyMC可能很快就成为一个核心模块。
人工智能吧 关注：114,512贴子：506,205
- 13回复贴，共1页
贝叶斯方法是进行逻辑推理的一种非常自然的方法，但是对于广大读者来说，它的出现，通常附带着大量的数学公式和推导过程，让人望而却步。现有介绍贝叶斯推理的图书，通常会用两三个章节来讲解概率论基础，然后才能告诉我们什么是贝叶斯推理。非常不幸的是，由于大多数贝叶斯模型与生俱来的数学复杂性，读者接触到的只能是一些简单的，人为构造的虚假简化示例。这很容易给读者一种贝叶斯方法没什么了不起的感觉。实际上，这些错误的感觉只是那些图书作者的一面之词。
在目睹了近年来贝叶斯方法在机器学习领域的贡献，该书作者决定亲自来撰写一本通俗易懂而且可用性非常强的贝叶斯方法入门图书。他投入了大量的时间精力，研究如何将贝叶斯方法的数学基础和实践联系在一起。最后他发现，最大的问题在于，当前的资料中，贝叶斯相关数学知识和概率编程之间缺乏紧密的联系。因此本书的目标就在于弥补这一缺失。
在目睹了近年来贝叶斯方法在机器学习领域的贡献，该书作者决定亲自来撰写一本通俗易懂而且可用性非常强的贝叶斯方法入门图书。他投入了大量的时间精力，研究如何将贝叶斯方法的数学基础和实践联系在一起。最后他发现，最大的问题在于，当前的资料中，贝叶斯相关数学知识和概率编程之间缺乏紧密的联系。因此本书的目标就在于弥补这一缺失。
PyMC is a python module for Bayesian statistical modeling and model fitting which focuses on advanced Markov chain Monte Carlo fitting algorithms. Its flexibility and extensibility make it applicable to a large suite of problems.
Check out the Tutorial!
PyMC 3 is alpha software and is not ready for use in production. We encourage most new users to use the current release version in the PyMC 2.3 branch. Release versions are also available on PyPI and Binstar.
Features
Intuitive model specification syntax, for example, x ~ N(0,1) translates to x = Normal(0,1)
Powerful sampling algorithms such as Hamiltonian Monte Carlo
Easy optimization for finding the maximum a posteriori point
Theano features
Numpy broadcasting and advanced indexing
Linear algebra operators
Computation optimization and dynamic C compilation
Simple extensibility
Getting started
PyMC 3 Tutorial
Coal Mining Disasters model in PyMC 2 and PyMC 3
Global Health Metrics & Evaluation model case study for GHME 2013
Stochast
Check out the Tutorial!
PyMC 3 is alpha software and is not ready for use in production. We encourage most new users to use the current release version in the PyMC 2.3 branch. Release versions are also available on PyPI and Binstar.
Features
Intuitive model specification syntax, for example, x ~ N(0,1) translates to x = Normal(0,1)
Powerful sampling algorithms such as Hamiltonian Monte Carlo
Easy optimization for finding the maximum a posteriori point
Theano features
Numpy broadcasting and advanced indexing
Linear algebra operators
Computation optimization and dynamic C compilation
Simple extensibility
Getting started
PyMC 3 Tutorial
Coal Mining Disasters model in PyMC 2 and PyMC 3
Global Health Metrics & Evaluation model case study for GHME 2013
Stochast
