Eu já vi referências ao aprendizado da teoria das probabilidades bayesianas em R, e eu queria saber se há mais como isso, talvez especificamente em Python? Voltado para o aprendizado da teoria da probabilidade bayesiana, inferência, estimativa da máxima verossimilhança, modelos gráficos e o tipo?
13
Respostas:
A partir do final de janeiro de 2012, um curso de 10 semanas sobre o tópico Modelos Gráficos Probabilísticos será realizado on-line gratuitamente pelo Professor Daphne Koller, de Stanford . É considerado uma continuação natural do curso de ML de Andrew NG e, se estiver perto de Andrew, será de excelente qualidade.
Há também mathematicsmonk's - vídeos gratuitos do YouTube cobrindo muitos tópicos como MLE, redes Bayes, eles são mais pesados em matemática.
unidades de curso da classe ai 3.x Probabilidade na IA e 4.x Inferência Probabilística (se você criar uma conta em http://www.ai-class.com, poderá vê-las em uma interface ordenada)
Mais:
http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html
http://mtnwestrubyconf2007.confreaks.com/session03.html
fonte
Um ótimo uso do notebook ipython e da aprendizagem de métodos bayesianos é a Programação Probabilística e Métodos Bayesianos para Hackers . Se você estiver usando a pilha Ipython / Scipy, poderá baixar o notebook e executar o código de exemplo localmente; seu console interativo é ótimo para aprender, testar e escrever Python.
Ipython: http://ipython.org/
fonte
Se você realmente deseja aprender o conceito fundamental da estatística bayesiana, definitivamente deve ler a análise de dados bayesiana, escrita por Andrew Gelman. Encorajo-vos a fazer o exercício. Você aprenderá muito com isso. Fazer a matemática das estatísticas bayesianas é um passo importante para você aprender modelos gráficos probabilísticos. Parece que você é novato no conceito bayesiano. NÃO leia Modelos Gráficos Probabilísticos às pressas se você não aprendeu nenhum conceito básico e não está familiarizado com o cálculo matemático bayesiano. você conhece minha sugestão Se você leu as palestras em vídeo de Stanford fornecidas por Andrew Ng .
fonte
Acabei de encontrar este MOOC "Navegação Autônoma de Robôs Voadores" ( https://www.edx.org/course/autonomous-navigation-flying-robots-tumx-autonavx-0 ). No curso, os instrutores ensinam aos participantes como programar (em python) um robô voador para navegação autônoma, explorando estatísticas bayesianas para estimativa de estados e outras técnicas úteis (por exemplo, filtragem Kalman da entrada de sensor com ruído). O bom é que o código que se escreve em sala de aula é utilizável para alguns robôs voadores disponíveis no mercado, para que mais tarde possamos brincar mais com isso e procurar possibilidades de como melhorar a estimativa do estado bayesiano.
Para o Notebook Ipython "Programação Probabilística e Métodos Bayesianos para Hackers", também posso recomendá-lo. Não encontrei uma introdução tão acessível e abrangente antes e realmente aprendi muito em um tempo relativamente curto!
fonte