Saya telah melihat referensi untuk mempelajari teori probabilitas Bayesian dalam R, dan saya bertanya-tanya apakah ada yang lebih seperti ini, mungkin secara khusus dalam Python? Ditujukan untuk mempelajari teori probabilitas Bayesian, inferensi, estimasi kemungkinan maksimum, model grafis dan sejenisnya?
13
Jawaban:
Mulai akhir Januari 2012, kursus 10 minggu dengan topik Probabilistic Graphical Models akan diadakan secara online secara gratis oleh Stanford Professor Daphne Koller . Ini dianggap sebagai kelanjutan alami dari kursus ML Andrew NG , dan jika mendekati Andrew's, itu akan memiliki kualitas yang sangat baik.
Ada juga youtube matematika - video youtube gratis yang mencakup banyak topik seperti MLE, jaringan Bayes, mereka lebih banyak matematika.
ai-class course units 3.x Probabilitas dalam AI dan 4.x Probabilistic Inference (jika Anda membuat akun di http://www.ai-class.com, Anda mungkin melihatnya dalam antarmuka yang dipesan dengan baik)
Lebih lanjut:
http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html
http://mtnwestrubyconf2007.confreaks.com/session03.html
sumber
Penggunaan besar notebook ipython dan mempelajari metode Bayesian adalah Pemrograman Probabilistik dan Metode Bayesian untuk Peretas . Jika Anda menggunakan tumpukan Ipython / Scipy, Anda dapat mengunduh buku catatan dan menjalankan kode contoh secara lokal; konsol interaktifnya sangat bagus untuk belajar, menguji, dan menulis Python.
Ipython: http://ipython.org/
sumber
Jika Anda benar-benar ingin mempelajari konsep dasar statistik Bayesian, pasti Anda harus membaca analisis data Bayesian yang ditulis oleh Andrew Gelman. Saya mendorong Anda melakukan latihan. Anda akan belajar banyak dari itu. Melakukan matematika statistik Bayesian adalah langkah penting bagi Anda untuk mempelajari Model Grafis Probabilistik. Tampaknya Anda adalah mahasiswa baru konsep Bayesian. JANGAN membaca Model Grafis Probabilistik dengan tergesa-gesa jika Anda belum mempelajari konsep dasar dan tidak terbiasa dengan perhitungan matematika Bayesian. Anda tahu saran saya Jika Anda telah membaca video ceramah dari Stanford yang disediakan oleh Andrew Ng .
sumber
Baru saja menemukan MOOC ini "Navigasi Autonom dari Robot Terbang" ( https://www.edx.org/course/autonomous-navigation-flying-robots-tumx-autonavx-0 ). Dalam kursus, instruktur mengajar peserta bagaimana memprogram (dengan python) robot terbang untuk navigasi otonom, mengeksploitasi statistik Bayes untuk estimasi keadaan dan teknik berguna lainnya (misalnya penyaringan Kalman dari input sensor bising). Yang menyenangkan adalah bahwa kode yang seseorang tulis di kelas dapat digunakan untuk beberapa robot terbang yang tersedia secara komersial, jadi orang kemudian dapat bermain-main dengan ini dan mencari kemungkinan bagaimana meningkatkan estimasi keadaan Bayesian.
Untuk Notebook Ipython "Probabilisic Programming & Metode Bayesian untuk Peretas", saya juga bisa sangat merekomendasikannya. Belum pernah menemukan pengantar yang mudah diakses dan komprehensif seperti ini sebelumnya dan benar-benar belajar banyak dalam waktu yang relatif singkat!
sumber