返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

欢迎光临我们店铺!书籍都是正版全新书籍,欢迎下单~!!

本店所有商品

  • 音像贝叶斯数据分析——基于R与Python的实现吴喜之
  • 正版
    • 作者: 吴喜之著 | 吴喜之编 | 吴喜之译 | 吴喜之绘
    • 出版社: 中国人民大学出版社
    • 出版时间:2020-07-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    诺森图书音像专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品参数
    • 作者: 吴喜之著| 吴喜之编| 吴喜之译| 吴喜之绘
    • 出版社:中国人民大学出版社
    • 出版时间:2020-07-01
    • 版次:1
    • 印次:1
    • 印刷时间:2020-07-01
    • 字数:456000
    • 页数:304
    • 开本:16开
    • ISBN:9787300283258
    • 版权提供:中国人民大学出版社
    • 作者:吴喜之
    • 著:吴喜之
    • 装帧:平装
    • 印次:1
    • 定价:46.00
    • ISBN:9787300283258
    • 出版社:中国人民大学出版社
    • 开本:16开
    • 印刷时间:2020-07-01
    • 语种:中文
    • 出版时间:2020-07-01
    • 页数:304
    • 外部编号:1202112666
    • 版次:1
    • 成品尺寸:暂无

    部基础篇

    章引言

    1.1为什么用贝叶斯

    1.1.1传统数理统计的先天缺陷

    1.1.2贝叶斯方法是基于贝叶斯定理发展起来的用于系统地阐述和解决统计问题的方法

    1.2本书所强调的贝叶斯编程计算的意义

    1.3本书的构成和内容安排

    1.4习题

    第2章基本概念

    2.1概率的规则及贝叶斯定理

    2.1.1概率的规则

    2.1.2概率规则的合理、贝叶斯定理、优势比、后验分布

    2.1.3贝叶斯和经典统计基本概念的一些比较

    2.2决策的基本概念

    .贝叶斯统计的基本概念

    ..1贝叶斯定理

    ..2似然函数

    ..后验分布包含的信息

    ..4几个简单例子

    ..5先验分布的形式

    2.4共轭先验分布族

    2.4.1常用分布及其参数的共轭先验分布*

    2.4.2指数先验分布族的一些理论结果*

    2.5习题

    第3章基本软件:R和Python

    3.1R简介——为领悟而运行

    3.1.1简介

    3.1.2安装和运行小贴士

    3.1.3动手

    3.1.4实践

    3.2Python简介——为领悟而运行

    3.2.1引言

    3.2.2安装

    3..基本模块的编程

    3.2.4Numpy模块

    3.2.5Pandas模块

    3.2.6Matplotlib模块

    3.3习题

    第二部分几个常用初等贝叶斯模型71

    第4章比例的推断:Bernoulli试验

    4.1采用简单共轭先验分布

    4.1.1例4.1的关于θ的后验分布及其优选密度区域

    4.1.2例4.1的关于θ的优选密度区域的R代码计算

    4.1.3例4.1的关于θ的优选密度区域的Python代码计算

    4.2稍微复杂的共轭先验分布

    4.2.1模型(4.2.1)~(4..)拟合例

    4.2数据直接按公式计算的R代码

    4.2.2模型(4.2.1)~(4..)拟合例

    4.2数据直接按公式计算的Python代码

    4.3习题

    第5章发生率的推断:Poisson模型

    5.1Poisson模型和例子

    5.2对例5.1的分析和计算

    5.2.1通过R代码利用公式分析例5.1

    5.2.2例5.1优选密度区域的Python代码

    5.3习题

    第6章正态总体的情况

    6.1正态分布模型

    6.2均值未知而精度已知的情况

    6.2.1利用公式(6.2.1)、(6.2.2)拟合例6.1的数据(R)

    6.2.2利用公式(6.2.1)、(6.2.2)拟合例6.1数据的后验优选密度区域(Python)

    6.3两个参数皆为未知的情况

    6.3.1使用公式(6.3.1)、(6.3.2)对例6.1的分析(R)

    6.3.2使用公式(6.3.1)、(6.3.2)对例6.1的分析(Python)

    6.4习题

    第三部分算法、概率编程及贝叶斯专门软件

    第7章贝叶斯推断中的一些算法

    7.1优选后验概率法

    7.2拉普拉斯近似

    7.3马尔可夫链方法

    7.3.1积分

    7.3.2马尔可夫链

    7.3.3MCMC方法综述

    7.3.4Metropolis算法

    7.3.5Metropolis-Hastings算法

    7.3.6Gibbs抽样

    7.3.7Hamiltonian方法

    7.4EM算法

    7.5变分贝叶斯近似

    第8章概率编程/贝叶斯编程

    8.1引言

    8.2概率编程概述

    8.2.1概率编程要点

    8.2.2先验分布的选择——从概率编程的角度

    8.3贝叶斯计算专用软件

    8.4R/Stan

    8.4.1概述

    8.4.2安装

    8.4.3对例8.1的数据运行R/Stan

    8.5Python/PyMC3

    8.5.1概述

    8.5.2安装

    8.5.3对例8.1的数据运行Python/PyMC3

    8.6通过一个有名例子进一步熟悉R/Stan和Python/PyMC3

    8.6.1R/Stan关于例8.2的模型(8.6.1)~(8.6.4)的代码

    8.6.2Python/PyMC3关于例8.2的模型(8.6.1)~(8.6.4)的代码

    8.7R中基于Stan的两个程序包

    8.7.1R中基于Stan的rstanarm程序包

    8.7.2R中基于Stan的brms程序包

    8.8Python中的BayesPy模块简介

    8.9习题

    第9章在常用模型中使用R/Stan和Python/PyMC3的例子

    9.1热身:一些简单例子

    9.1.1抛硬币:二项分布

    9.1.2正态分布例子

    9.1.3简单回归例子

    9.1.4简单logistic回归例子

    9.2第4章例子的贝叶斯编程计算Bernoulli/二项分布模型参数的后验分布

    9.2.1通过R/Stan用模型(9.2.1)~(9..)拟合例4.2的数据

    9.2.2通过Python/PyMC3用模型(9.2.1)~(9..)拟合例4.2的数据

    9.3第5章例子的贝叶斯编程计算Poisson模型参数的后验分布

    9.3.1使用R/Stan的代码用模型(5.1.1)、(5.1.2)拟合例5.1的数据

    9.3.2使用Python/PyMC3的代码用模型(5.1.1)、(5.1.2)拟合例5.1的数据

    9.4第6章例子的贝叶斯编程计算后验分布的正态分布例子

    9.4.1通过R/Stan代码用模型(9.4.1)~(9.4.3)拟合例6.1的数据

    9.4.2通过Python/PyMC3代码用模型(9.4.1)~(9.4.3)拟合例6.1的数据

    9.5习题

    第四部分更多的贝叶斯模型185

    0章贝叶斯广义线模型

    10.1可能和优选似然原理

    10.2指数分布族和广义线模型

    10.2.1指数分布族的典则形式

    10.2.2广义线模型和连接函数

    10.3线回归

    10.3.1应用R/Stan代码于例10.3的模型(10.3.1)~(10.3.6)

    10.3.2应用Python/PyMC3代码于例10.3的模型(10.3.1)~(10.3.6)

    10.4二水平变量问题:logistic回归

    10.4.1应用R/Stan代码于例10.4的模型(10.4.2)~(10.4.4)

    10.4.2应用Python/PyMC3代码于例10.4的模型(10.4.2)~(10.4.4)

    10.5分层线回归:多水平模型

    10.5.1应用R/Stan代码于例10.5的模型(10.5.3)~(10.5.6)

    10.5.2应用Python/PyMC3代码于例10.5的模型(10.5.3)~(10.5.6)

    10.6分层logistic回归

    10.6.1应用R/Stan代码于例10.6的模型(10.6.2)~(10.6.5)

    10.6.2应用Python/PyMC3代码于例10.6的模型(10.6.2)~(10.6.5)

    10.7习题

    1章生存分析

    11.1生存分析的基本概念

    11.1.1本章的例子

    11.1.2CoxPH模型

    11.1.3参数PH模型

    11.1.4加速失效时间模型

    11.2数值计算例子

    11.2.1CoxPH模型*

    11.2.2AFT模型:Weibull分布

    11..AFT模型:log-logistic分布

    11.2.4Weibull模型

    11.3习题

    2章朴素贝叶斯

    12.1基本概念

    12.1.1类条件独立定

    12.1.2朴素贝叶斯分类器类型

    12.2朴素贝叶斯方法分类数值例子

    1.本章的Python代码

    12.4习题

    3章贝叶斯网络

    13.1概述

    13.1.1基本概念

    13.1.2贝叶斯网络的难点及优缺点

    13.1.3贝叶斯网络的一个简单例子

    13.2学习贝叶斯网络

    13.2.1贝叶斯网络中的条件独立概念

    13.2.2网络学习算法的种类

    13..几种可能面对的问题

    13.3贝叶斯网络的数值例子及计算

    13.3.1全部变量是离散变量的情况

    13.3.2全部变量是连续变量的情况

    13.3.3连续变量和离散变量混合的情况

    4章隐马尔可夫模型*

    14.1概述

    14.2HMM的三个主要问题

    14.2.1评估问题

    14.2.2解码问题

    14..学习问题

    14.3HMM的数值例子和计算

    14.3.1数值例子

    14.3.2使用HMM方法于例14.1(R)

    14.3.3使用HMM方法于例14.1(Python)

    参考文献

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购