کتاب Bayesian Analysis with Python (نسخه 3 چاپ 2024)

کتاب Bayesian Analysis with Python, 3rd Edition: A practical guide to probabilistic modeling (تحلیل بیزی با پایتون، ویرایش سوم: راهنمای عملی برای مدل‌سازی احتمالاتی) نکات کاربردی تحلیل بیزی را با استفاده از زبان برنامه‌نویسی پایتون آموزش می‌دهد.

جهت مشاهده جزئیات و دانلود کتاب Bayesian Analysis with Python می‌توانید از لینک زیر استفاده کنید:

faghatketab.ir/product/bayesian-analysis-with-python/

با استفاده از کتابخانه‌های پیشرفته پایتون مانند PyMC، ArviZ، Bambi و موارد دیگر، تحت راهنمایی یک مدل‌ساز با تجربه Bayesian که به این کتابخانه‌ها کمک می‌کند، اصول مدل‌سازی Bayesian را بیاموزید.

ویژگی‌های کلیدی کتاب Bayesian Analysis with Python:

• انجام تحلیل داده‌های Bayesian با راهنمایی گام به گام
• کسب بینش در مورد یک رویکرد مدرن، عملی و محاسباتی برای مدل‌سازی آماری Bayesian
• ارتقای یادگیری خود با بهترین شیوه‌ها از طریق نمونه‌های مسئله و تمرین‌های عملی

نسخه سوم کتاب Bayesian Analysis with Python به عنوان مقدمه‌ای بر مفاهیم اصلی مدل‌سازی کاربردی Bayesian با استفاده از PyMC، یک کتابخانه برنامه‌نویسی احتمالی پیشرفته، و سایر کتابخانه‌هایی که از مدل‌سازی پشتیبانی و تسهیل می‌کنند مانند ArviZ برای تحلیل اکتشافی مدل‌های Bayesian؛ Bambi برای مدل‌سازی سلسله مراتبی خطی انعطاف‌پذیر و آسان؛ PreliZ برای برآورد قبلی؛ PyMC-BART برای رگرسیون غیرپارامتری انعطاف‌پذیر؛ و Kulprit برای انتخاب متغیر، خدمت می‌کند.

در این نسخه به‌روز شده، یک مقدمه مختصر و مفهومی در مورد نظریه احتمال، با معرفی موضوعات جدید مانند درختان رگرسیون افزودنی Bayesian (BART)، با مثال‌های به‌روز شده، مسیر یادگیری شما را بهبود می‌بخشد.

توضیحات اصلاح شده، که با بازخورد و تجربه از نسخه‌های قبلی آگاه شده‌اند، بر تأکید کتاب بر آمار Bayesian تأکید می‌کنند.

شما مدل‌های مختلفی را از جمله مدل‌های سلسله مراتبی، مدل‌های خطی تعمیم‌یافته برای رگرسیون و طبقه‌بندی، مدل‌های مخلوط، فرایندهای گاوسی و BART، با استفاده از مجموعه داده‌های مصنوعی و واقعی، بررسی خواهید کرد.

در پایان کتاب Bayesian Analysis with Python، شما درک عملکردی از مدل‌سازی احتمالی خواهید داشت که شما را قادر می‌سازد مدل‌های Bayesian را برای چالش‌های علم داده خود طراحی و پیاده‌سازی کنید. شما برای ورود به مطالب پیشرفته‌تر یا مدل‌سازی آماری تخصصی، اگر نیاز باشد، آماده خواهید بود.

آنچه شما در کتاب Bayesian Analysis with Python یاد خواهید گرفت:

• ساخت مدل‌های احتمالی با استفاده از PyMC و Bambi
• تجزیه و تحلیل و تفسیر مدل‌های احتمالی با ArviZ
• کسب مهارت‌های لازم برای بررسی مدل‌ها و در صورت لزوم اصلاح آن‌ها
• ساخت مدل‌های بهتر با بررسی‌های پیشین و پسین پیش‌بینی
• یادگیری مزایا و معایب مدل‌های سلسله مراتبی
• مقایسه مدل‌ها و انتخاب بین مدل‌های جایگزین
• تفسیر نتایج و اعمال دانش خود در مشکلات دنیای واقعی
• بررسی مدل‌های رایج از یک دیدگاه احتمالی واحد
• اعمال انعطاف‌پذیری چارچوب Bayesian برای تفکر احتمالی

کتاب Bayesian Analysis with Python برای چه کسانی است؟

اگر شما دانشجو، دانشمند داده، محقق یا توسعه‌دهنده‌ای هستید که به دنبال شروع با تحلیل داده‌های Bayesian و برنامه‌نویسی احتمالی هستید، این کتاب برای شما مناسب است.

کتاب مقدماتی است، بنابراین هیچ دانش قبلی آماری لازم نیست، اگرچه انتظار می‌رود برخی تجربه در استفاده از پایتون و کتابخانه‌های علمی مانند NumPy داشته باشید.