J'ai vu des références à l'apprentissage de la théorie des probabilités bayésiennes en R, et je me demandais s'il y en avait plus, peut-être spécifiquement en Python? Orienté vers l'apprentissage de la théorie des probabilités bayésiennes, l'inférence, l'estimation du maximum de vraisemblance, les modèles graphiques et le tri?
13
Réponses:
À partir de fin janvier 2012, un cours de 10 semaines sur le thème des modèles graphiques probabilistes sera offert en ligne gratuitement par le professeur Stanford Daphne Koller . Il est considéré comme une continuation naturelle du cours de ML d' Andrew NG , et s'il est n'importe où près d'Andrew, il sera d'une qualité exquise.
Il y a aussi Mathicalmonk - des vidéos YouTube gratuites couvrant de nombreux sujets comme MLE, les réseaux Bayes, elles sont plus mathématiques.
Unités de cours de classe ai 3.x Probabilité en IA et 4.x Inférence probabiliste (si vous créez un compte sur http://www.ai-class.com vous pouvez les voir dans une belle interface ordonnée)
Pour en savoir plus:
http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html
http://mtnwestrubyconf2007.confreaks.com/session03.html
la source
La programmation probabiliste et les méthodes bayésiennes pour les pirates sont une grande utilisation du bloc-notes ipython et de l'apprentissage des méthodes bayésiennes . Si vous utilisez la pile Ipython / Scipy, vous pouvez télécharger le bloc-notes et exécuter l'exemple de code localement; sa console interactive est idéale pour apprendre, tester et écrire Python.
Ipython: http://ipython.org/
la source
Si vous voulez vraiment apprendre le concept fondamental des statistiques bayésiennes, vous devriez certainement lire l'analyse des données bayésiennes écrite par Andrew Gelman. Je vous encourage à faire l'exercice. Vous en apprendrez beaucoup. Faire le calcul des statistiques bayésiennes est une étape importante pour vous d'apprendre les modèles graphiques probabilistes. Il semble que vous soyez débutant dans le concept bayésien. NE PAS lire les modèles graphiques probabilistes à la hâte si vous n'avez pas appris de concept de base et ne connaissez pas le calcul mathématique bayésien. vous connaissez ma suggestion Si vous avez lu les conférences vidéo de Stanford fournies par Andrew Ng .
la source
Je viens de découvrir ce MOOC "Navigation autonome des robots volants" ( https://www.edx.org/course/autonomous-navigation-flying-robots-tumx-autonavx-0 ). Au cours, les instructeurs enseignent aux participants comment programmer (en python) un robot volant pour la navigation autonome, en exploitant les statistiques bayésiennes pour l'estimation des états et d'autres techniques utiles (par exemple le filtrage de Kalman des entrées de capteurs bruyants). La bonne chose est que le code que l'on écrit en classe est utilisable pour certains robots volants disponibles dans le commerce, donc on peut plus tard jouer avec cela et chercher des possibilités pour améliorer l'estimation de l'état bayésien.
Pour le bloc-notes Ipython "Programmation probabilisée et méthodes bayésiennes pour les pirates", je peux également le recommander fortement. Je n'ai jamais rencontré d'introduction pratique aussi accessible et complète et j'ai vraiment beaucoup appris en relativement peu de temps!
la source