He visto referencias al aprendizaje de la teoría de la probabilidad bayesiana en R, y me preguntaba si hay algo más parecido, quizás específicamente en Python. ¿Objetivo de aprender la teoría de la probabilidad bayesiana, la inferencia, la estimación de máxima verosimilitud, los modelos gráficos y cosas por el estilo?
A partir de finales de enero de 2012, un Curso de 10 semanas sobre el tema de los modelos gráficos probabilísticos se llevará a cabo en línea de forma gratuita por el profesor de Stanford Daphne Koller . Se considera una continuación natural de Curso de ML de Andrew NG y si se acerca a la de Andrew, será de una calidad exquisita.
También hay de mathematicalmonk - videos gratis de youtube cubriendo muchos temas como MLE, redes de Bayes, son más pesados en cuanto a matemáticas.
unidades del curso ai-clase 3.x La probabilidad en la IA y 4.x Inferencia probabilística (si crea una cuenta en http://www.ai-class.com puede verlos en una bonita interfaz ordenada)
Más:
http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html
http://mtnwestrubyconf2007.confreaks.com/session03.html
El gran uso del cuaderno ipython y el aprendizaje de los métodos bayesianos es Programación probabilística y métodos bayesianos para hackers . Si estás usando la pila Ipython /Scipy, puedes descargar el cuaderno y ejecutar el código de ejemplo localmente; su consola interactiva es genial para aprender, probar y escribir Python.
Ipython: http://ipython.org/
Si realmente quieres aprender el concepto fundamental de la estadística bayesiana, definitivamente debes leer Análisis bayesiano de datos escrito por Andrew Gelman. Te animo a que hagas el ejercicio. Aprenderás mucho de él. Hacer las matemáticas de la estadística bayesiana es un paso importante para que aprendas los modelos gráficos probabilísticos. Parece que eres novato en el concepto bayesiano. NO leas los Modelos Gráficos Probabilísticos apresuradamente si no has aprendido ningún concepto básico y no estás familiarizado con el cálculo matemático bayesiano. ya sabes mi sugerencia Si has leído las video conferencias de Stanford proporcionadas por Andrew Ng .
Acabo de encontrar este MOOC "Navegación autónoma de robots voladores" ( https://www.edx.org/course/autonomous-navigation-flying-robots-tumx-autonavx-0 ). En el curso, los instructores enseñan a los participantes a programar (en python) un robot volador para la navegación autónoma, explotando la estadística bayesiana para la estimación de estados y otras técnicas útiles (por ejemplo, el filtrado de Kalman de la entrada de sensores ruidosos). Lo bueno es que el código que se escribe en clase es utilizable para algunos robots voladores disponibles en el mercado, por lo que luego se puede jugar más con esto y buscar posibilidades de cómo mejorar la estimación bayesiana de estados.
Para el cuaderno de Ipython "Probabilisic Programming & Bayesian Methods for Hackers", también lo puedo recomendar mucho. No he encontrado antes una introducción tan accesible y completa y he aprendido mucho en un tiempo relativamente corto.
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
5 votos
Es bayesiano teoría de la probabilidad ¿es diferente de la teoría de la probabilidad normal? Estoy de acuerdo en que la teoría bayesiana teoría de la decisión , Bayesiano inferencia , Bayesiano teoría de la estimación etc. difieren significativamente de las versiones frecuentistas de estos dos temas, pero la teoría de la probabilidad es la misma para ambos campos, ¿no?
0 votos
Gracias, mal uso de la terminología :) ¿Qué palabra utilizaría para englobar esos temas?
0 votos
¿Te interesa la codificación o las matemáticas? Si es lo primero, ¿qué tal "programar procedimientos de estimación bayesiana"? Además, la estimación por máxima verosimilitud no es bayesiana, salvo asintóticamente en casi todos los casos.
0 votos
Realmente ambos. Quiero entender realmente las matemáticas, pero he encontrado que los métodos mostrados por la codificación parecen solidificar la comprensión, algo así como la serie 'Think Stats' para la estadística básica en python :)