Metodi bayesiani per hacker: Programmazione probabilistica e inferenza bayesiana

Recensioni dei lettori

Il libro è una guida pratica alla programmazione probabilistica con PyMC, apprezzata per la chiarezza dei contenuti e l'approccio pratico. Tuttavia, diversi recensori hanno rilevato problemi di qualità e chiarezza dell'edizione stampata, nonché alcune difficoltà legate alla compatibilità delle versioni e agli errori di codice.

Contenuti eccellenti, spiegazione chiara dei concetti, forte approccio pratico all'apprendimento, ottimi materiali integrativi, utili Jupyter notebook disponibili su GitHub, apprezzati per fare da ponte tra i principianti e gli argomenti avanzati dell'analisi bayesiana.

Scarsa qualità di stampa nelle edizioni fisiche, formalismo matematico insufficiente, errori di codice presenti nel libro, mancanza di indicazioni sulla versione di Python e PyMC, una quantità eccessiva di codice che potrebbe essere semplificata e alcuni hanno ritenuto che il libro sia fuorviante per quanto riguarda il suo pubblico.

(basato su 45 recensioni dei lettori)

Titolo originale:

Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference

Contenuto del libro:

Padroneggiare l'inferenza bayesiana attraverso esempi pratici e calcoli, senza analisi matematiche avanzate.

I metodi di inferenza bayesiana sono profondamente naturali ed estremamente potenti. Tuttavia, la maggior parte delle discussioni sull'inferenza bayesiana si basa su analisi matematiche estremamente complesse e su esempi artificiali, che la rendono inaccessibile a chiunque non abbia una solida preparazione matematica. Ora, però, Cameron Davidson-Pilon introduce l'inferenza bayesiana da una prospettiva computazionale, collegando la teoria alla pratica e consentendo di ottenere risultati utilizzando la potenza di calcolo.

Bayesian Methods for Hackersillumina l'inferenza bayesiana attraverso la programmazione probabilistica con il potente linguaggio PyMC e gli strumenti Python strettamente correlati NumPy, SciPy e Matplotlib. Utilizzando questo approccio, è possibile raggiungere soluzioni efficaci in piccoli incrementi, senza un esteso intervento matematico.

Davidson-Pilon inizia introducendo i concetti alla base dell'inferenza bayesiana, confrontandola con altre tecniche e guidandovi nella costruzione e nell'addestramento del vostro primo modello bayesiano. Successivamente, introduce PyMC attraverso una serie di esempi dettagliati e spiegazioni intuitive che sono state perfezionate dopo un ampio feedback da parte degli utenti. Imparerete a utilizzare l'algoritmo Markov Chain Monte Carlo, a scegliere le dimensioni dei campioni e i priori appropriati, a lavorare con le funzioni di perdita e ad applicare l'inferenza bayesiana in ambiti che vanno dalla finanza al marketing. Una volta acquisita la padronanza di queste tecniche, vi rivolgerete costantemente a questa guida per ottenere il codice PyMC funzionante di cui avete bisogno per avviare i vostri progetti futuri.

La trattazione comprende

- Apprendimento dello “stato mentale” bayesiano e delle sue implicazioni pratiche.

- Comprendere come i computer eseguono l'inferenza bayesiana.

- Utilizzo della libreria PyMC di Python per programmare analisi bayesiane.

- Costruzione e debug dei modelli con PyMC.

- Testare la “bontà di adattamento” del modello.

- Aprire la “scatola nera” dell'algoritmo Markov Chain Monte Carlo per capire come e perché funziona.

- Sfruttare la potenza della “legge dei grandi numeri”.

- Padroneggiare concetti chiave come il clustering, la convergenza, l'autocorrelazione e l'assottigliamento.

- Utilizzare le funzioni di perdita per misurare le debolezze di una stima in base agli obiettivi e ai risultati desiderati.

- Selezionare i priori appropriati e capire come cambia la loro influenza con le dimensioni del set di dati.

- Superare il dilemma “esplorazione contro sfruttamento”: decidere quando “abbastanza buono” è sufficiente.

- Utilizzare l'inferenza bayesiana per migliorare i test A/B.

- Risolvere i problemi della scienza dei dati quando sono disponibili solo piccole quantità di dati.

Cameron Davidson-Pilon ha lavorato in molte aree della matematica applicata, dalla dinamica evolutiva di geni e malattie alla modellazione stocastica dei prezzi finanziari. I suoi contributi alla comunità open source includono lifelines, un'implementazione dell'analisi di sopravvivenza in Python. Formatosi all'Università di Waterloo e all'Università Indipendente di Mosca, attualmente lavora con Shopify, leader del commercio online.