Analiza bayesowska w Pythonie. Praktyczny przewodnik po modelowaniu probabilistycznym. Wydanie III

W ostatnich latach podejście bayesowskie w statystyce zyskało duże znaczenie w dziedzinach naukowych i inżynieryjnych, dzięki swojej elastyczności oraz przejrzystości. Analiza bayesowska opiera się na obliczeniach statystycznych, które pozwalają na intuicyjne zrozumienie wyników. W miarę rozwoju narzędzi programistycznych, takich jak Python, koncepcje te stały się integralną częścią zaawansowanych analiz danych. Książka ta oferuje dogłębne wprowadzenie do wnioskowania bayesowskiego oraz jego implementacji w języku Python. Autorzy, Christopher Fonnesbeck i Thomas Wiecki, korzystają z nowoczesnego narzędzia PyMC do modelowania probabilistycznego i z biblioteki ArviZ do przeprowadzania analizy i diagnostyki modeli. W publikacji omawiane są również inne elementy ekosystemu bayesowskiego, na przykład Bambi, PreliZ i Kulprit. Czytelnik znajdzie w niej informacje na temat bayesowskich addytywnych drzew regresyjnych (BART), selekcji zmiennych czy konstrukcji rozkładów a priori, a także naukę o porównywaniu modeli.Dzięki tej książce nauczysz się budowania modeli probabilistycznych za pomocą PyMC, analizy i diagnostyki w ArviZ oraz poznasz zalety i ograniczenia modeli hierarchicznych. Zrozumiesz, jak porównać modele, by wybrać najlepsze rozwiązanie, oraz jak interpretować wyniki w kontekście realnych problemów. Publikacja ta pełni rolę przejrzystego i zwięzłego przewodnika po metodach bayesowskich, szczególnie pod kątem biblioteki PyMC.