He visto referencias al aprendizaje de la teoría de probabilidad bayesiana en R, y me preguntaba si hay más como esta, ¿quizás específicamente en Python? ¿Orientado hacia el aprendizaje de la teoría de probabilidad bayesiana, inferencia, estimación de máxima verosimilitud, modelos gráficos y el tipo?
13
Respuestas:
A partir de finales de enero de 2012, la profesora de Stanford, Daphne Koller, ofrecerá en línea un curso de 10 semanas sobre el tema de los modelos gráficos probabilísticos de forma gratuita . Se considera una continuación natural del curso de ML de Andrew NG , y si está cerca de Andrew, será de una calidad exquisita.
También hay Mathmonk's : videos gratuitos de YouTube que cubren muchos temas como MLE, redes Bayes, son más pesados en matemáticas.
unidades del curso de clase ai 3.x Probabilidad en IA y 4.x Inferencia probabilística (si crea una cuenta en http://www.ai-class.com puede verlas en una interfaz ordenada agradable)
Más:
http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html
http://mtnwestrubyconf2007.confreaks.com/session03.html
fuente
El gran uso del cuaderno ipython y el aprendizaje de métodos bayesianos es la programación probabilística y los métodos bayesianos para hackers . Si está utilizando la pila Ipython / Scipy, puede descargar el cuaderno y ejecutar el código de ejemplo localmente; Su consola interactiva es ideal para aprender, probar y escribir Python.
Ipython: http://ipython.org/
fuente
Si realmente quiere aprender el concepto fundamental de las estadísticas bayesianas, definitivamente debería leer el análisis de datos bayesianos escrito por Andrew Gelman. Te animo a hacer el ejercicio. Aprenderás mucho de ello. Hacer los cálculos de las estadísticas bayesianas es un paso importante para que aprendas los modelos gráficos probabilísticos. Parece que eres estudiante de primer año del concepto bayesiano. NO lea los modelos gráficos probabilísticos apresuradamente si no ha aprendido ningún concepto básico y no está familiarizado con el cálculo matemático bayesiano. conoces mi sugerencia Si has leído las conferencias en video de Stanford proporcionadas por Andrew Ng .
fuente
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 cómo programar (en python) un robot volador para la navegación autónoma, explotando las estadísticas bayesianas para la estimación de estados y otras técnicas útiles (por ejemplo, filtrado de Kalman de entrada de sensor ruidoso). Lo bueno es que el código que se escribe en clase se puede usar para algunos robots voladores disponibles comercialmente, por lo que luego se puede jugar más con esto y buscar posibilidades para mejorar la estimación del estado bayesiano.
Para el cuaderno de Ipython "Programación probabilística y métodos bayesianos para hackers", también puedo recomendarlo. ¡No me he encontrado con una introducción práctica tan accesible y completa antes y realmente aprendí mucho en un tiempo relativamente corto!
fuente