Kołczan Książek
Załóż konto
Analiza bayesowska w Pythonie. Praktyczny przewodnik po modelowaniu probabilistycznym. Wydanie III1 / 1
Wydanie · 2026-01-01 · Softcover

Analiza bayesowska w Pythonie. Praktyczny przewodnik po modelowaniu probabilistycznym. Wydanie III

OMOsvaldo Martin
Przekład
Piotr Pilch
2026
rok wydania
370
stron
polski (Polska)
język
Softcover
typ okładki
Wydawca
Helion
Przekład
Piotr Pilch
Tytuł oryginału
Bayesian Analysis with Python: A practical guide to probabilistic modeling, 3rd Edition · angielski
ISBN-13
978-83-2893-665-2
EAN
9788328936652
Data wydania
2026-01-01
Książka
Analiza bayesowska w Pythonie. Praktyczny przewodnik po modelowaniu probabilistycznym. Wydanie III · 1 wydanie
Wydawca o tym wydaniu

W ostatnich dekadach statystyka bayesowska zyskała ogromne znaczenie w nauce i inżynierii. Współczesna analiza bayesowska to w dużej mierze statystyka obliczeniowa elastyczna, przejrzysta i umożliwiająca intuicyjną interpretację wyników. Dzięki rozwojowi bibliotek języka Python koncepcje bayesowskie stały się praktycznym narzędziem do realizacji zaawansowanych scenariuszy analitycznych. Książka stanowi kompleksowe wprowadzenie do stosowanego wnioskowania bayesowskiego i jego implementacji w Pythonie. Autor używa nowoczesnej biblioteki PyMC do programowania probabilistycznego, a ArviZ do analizy i diagnostyki modeli. Omawia także inne narzędzia ekosystemu bayesowskiego, takie jak Bambi, PreliZ i Kulprit. Zapoznasz się z zagadnieniami bayesowskich addytywnych drzew regresyjnych (BART), selekcji zmiennych, konstrukcji rozkładów a priori i porównywania modeli. Ponadto dowiesz się, jak budować, analizować i interpretować modele probabilistyczne w projektach z zakresu data science. W książce między innymi: budowa modeli probabilistycznych z użyciem PyMC analiza i diagnostyka modeli w ArviZ modele hierarchiczne zalety i ograniczenia porównywanie modeli i wybór najlepszych rozwiązań interpretacja wyników w kontekście rzeczywistych problemów myślenie probabilistyczne w ujęciu bayesowskim Książka stanowi kompleksowe, jasne i zwięzłe wprowadzenie do metod bayesowskich i biblioteki PyMC. Christopher Fonnesbeck i Thomas Wiecki