Widziałem odniesienia do nauki bayesowskiej teorii prawdopodobieństwa w języku R i zastanawiałem się, czy jest czegoś takiego, być może konkretnie w Pythonie? Skoncentrowany na nauce Bayesowskiej teorii prawdopodobieństwa, wnioskowania, szacowania maksymalnego prawdopodobieństwa, modeli graficznych i tym podobnych?
13
Odpowiedzi:
Od końca stycznia 2012 r. 10-tygodniowy kurs na temat probabilistycznych modeli graficznych odbędzie się online za darmo przez profesor Stanford Daphne Koller . Jest uważana za naturalną kontynuację kursu ML Andrew NG , a jeśli jest gdzieś w pobliżu Andrew, będzie znakomitej jakości.
Są też matematyki - darmowe filmy z YouTube'a na wiele tematów, takich jak MLE, sieci Bayesa, są bardziej matematyczne.
kursy ai klasy 3.x Prawdopodobieństwo w AI i 4.x Wnioskowanie probabilistyczne (jeśli założysz konto na http://www.ai-class.com , możesz je zobaczyć w ładnie uporządkowanym interfejsie)
Więcej:
http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html
http://mtnwestrubyconf2007.confreaks.com/session03.html
źródło
Świetne wykorzystanie notebooka ipython i nauka metod bayesowskich to programowanie probabilistyczne i metody bayesowskie dla hakerów . Jeśli używasz stosu Ipython / Scipy, możesz pobrać notes i uruchomić przykładowy kod lokalnie; ta interaktywna konsola doskonale nadaje się do nauki, testowania i pisania w języku Python.
Ipython: http://ipython.org/
źródło
Jeśli naprawdę chcesz poznać podstawową koncepcję statystyki bayesowskiej, zdecydowanie powinieneś przeczytać analizę danych bayesowskich napisaną przez Andrew Gelmana. Zachęcam do ćwiczeń. Nauczysz się z tego wiele. Wykonanie matematyki statystyki bayesowskiej jest ważnym krokiem do nauki probabilistycznych modeli graficznych. Wygląda na to, że jesteś studentem koncepcji bayesowskiej. NIE czytaj pośpiesznie probabilistycznych modeli graficznych, jeśli nie nauczyłeś się żadnej podstawowej koncepcji i nie znasz bayesowskich obliczeń matematycznych. znasz moją sugestię Jeśli przeczytałeś wykłady wideo ze Stanford dostarczone przez Andrew Ng .
źródło
Właśnie natrafiłem na MOOC „Autonomous Navigation of Flying Robots” ( https://www.edx.org/course/autonomous-navigation-flying-robots-tumx-autonavx-0 ). W trakcie kursu instruktorzy uczą uczestników, jak programować (w pythonie) latającego robota do autonomicznej nawigacji, wykorzystując statystyki bayesowskie do szacowania stanów i innych przydatnych technik (np. Filtrowanie Kalmana szumów z czujników). Zaletą jest to, że kod, który pisze się na zajęciach, jest użyteczny dla niektórych komercyjnie dostępnych robotów latających, więc można później bawić się tym i szukać możliwości, jak poprawić oszacowanie stanu Bayesa.
W przypadku notebooka Ipython „Programowanie probabilistyczne i metody bayesowskie dla hakerów” również mogę go gorąco polecić. Nie spotkałem się wcześniej z tak łatwo dostępnymi i kompleksowymi informacjami na temat wprowadzenia i naprawdę wiele się nauczyłem w stosunkowo krótkim czasie!
źródło