¿Hay algún tutorial sobre la teoría de probabilidad bayesiana o modelos gráficos por ejemplo?


13

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?


55
¿Es la teoría de probabilidad bayesiana diferente de la teoría de probabilidad regular? Estoy de acuerdo en que la teoría de decisión bayesiana , la inferencia bayesiana , la teoría de estimación bayesiana, etc. difieren significativamente de las versiones frecuentistas de estos dos temas, pero la teoría de probabilidad es la misma para ambos campos, ¿no?
Dilip Sarwate

Gracias, mal uso de la terminología :) ¿Qué palabra usaría para abarcar esos temas?
3ds

¿Estás interesado en la codificación o las matemáticas? Si es lo primero, ¿qué tal "programar procedimientos de estimación bayesianos ..."? Además, la estimación de máxima verosimilitud no es bayesiana, excepto asintóticamente en casi todos los casos.
jbowman

Realmente ambos. Realmente quiero entender las matemáticas, pero he descubierto que los métodos que se muestran mediante la codificación parecen solidificar la comprensión, algo así como la serie 'Think Stats' para estadísticas básicas en python :)
3ds

Respuestas:


16

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



4

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 .


0

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!


3
Explique claramente la conexión entre su primer enlace y la pregunta. Su segundo enlace ya está cubierto en otra respuesta.
Glen_b -Reinstale a Monica
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.