Я видел ссылки на изучение байесовской теории вероятностей в R, и мне было интересно, есть ли еще что-то подобное, возможно, конкретно в Python? Направлены на изучение байесовской теории вероятностей, умозаключений, оценки максимального правдоподобия, графических моделей и тому подобного?
13
Ответы:
Начиная с конца января 2012 года 10-недельный курс на тему вероятностных графических моделей будет проводиться онлайн бесплатно профессором Стэнфорда Дафни Коллер . Это считается естественным продолжением курса ML Andrew NG , и если он будет где-то рядом с Andrew, он будет отличного качества.
Есть также математические монки - бесплатные видео на YouTube, охватывающие многие темы, такие как MLE, сети Байеса, они более тяжелые по математике.
Единицы курса ай-класса 3.x Вероятность в AI и 4.x Вероятностный вывод (если вы создадите учетную запись на http://www.ai-class.com, вы можете увидеть их в хорошем упорядоченном интерфейсе)
Подробнее:
http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html
http://mtnwestrubyconf2007.confreaks.com/session03.html
источник
Широко используется блокнот ipython для изучения байесовских методов - вероятностное программирование и байесовские методы для хакеров . Если вы используете стек Ipython / Scipy, вы можете загрузить блокнот и запустить пример кода локально; эта интерактивная консоль отлично подходит для изучения, тестирования и написания Python.
Ipython: http://ipython.org/
источник
Если вы действительно хотите изучить фундаментальную концепцию байесовской статистики, определенно вам следует прочитать анализ байесовских данных, написанный Эндрю Гельманом. Я призываю вас сделать упражнение. Вы многому научитесь из этого. Выполнение математики байесовской статистики - важный шаг для изучения вероятностных графических моделей. Кажется, вы новичок в байесовской концепции. НЕ спешите читать вероятностные графические модели поспешно, если вы не изучили какую-либо базовую концепцию и не знакомы с байесовскими математическими вычислениями. Вы знаете мое предложение Если вы читали видео лекции из Стэнфорда, предоставленные Эндрю Нг .
источник
Только что наткнулся на этот MOOC «Автономная навигация летающих роботов» ( https://www.edx.org/course/autilitary-navigation-flying-robots-tumx-autonavx-0 ). В ходе курса инструкторы учат участников, как программировать (на python) летающего робота для автономной навигации, использовать байесовскую статистику для оценки состояний и другие полезные методы (например, фильтрацию Калмана для шумоподавляющих сигналов датчика). Приятно то, что код, который пишется в классе, пригоден для некоторых коммерчески доступных летающих роботов, поэтому позже можно поиграться с этим и искать возможности улучшить оценку байесовского состояния.
Для Ipython Notebook «Вероятностное программирование и байесовские методы для хакеров» я также настоятельно рекомендую его. Никогда раньше не сталкивались с таким доступным и всеобъемлющим практическим представлением и действительно многому научились за относительно короткое время!
источник