AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)

Therese M. Donovan, Ruth M. Mickey 著 黃駿 譯 施威銘研究室 監修

  • AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-1
  • AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-2
  • AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-3
  • AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-4
  • AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-5
  • AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-6
  • AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-7
  • AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-8
  • AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-9
AI 必須!從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (修訂第二版)-preview-1

買這商品的人也買了...

相關主題

商品描述

修訂第二版的內容與前一版相同,主要是調整方程式的顏色,使之更容易區別。

小編評語:『厚達六百多頁的統計學想必硬到不行?NO NO NO!這本書的進行方式實在太有創意了,我不僅一步一步跟著鑽研練習,更從實作中享受到讀懂的樂趣。』

貝氏統計因 AI 人工智慧的發展而變得更加炙手可熱,其核心是利用統計推論的方法,在觀察到新資料或證據時,利用科學方法循環更新先前假設的機率,非常適合只能依據僅有且不夠完整的資訊進行假設評估的技術。目前廣泛應用於人工智慧 (機器學習、深度學習)、社會學、生物學、醫學、公共衛生、心理學、物理及科學等領域。

正經八百的統計學應該大家都望之卻步吧,本書作者獨樹一格,摒棄枯燥的說教方式,選擇與學習者站在一起,將學習過程中腦海裡經常冒出來的問號,以豐富的圖表、實作輔助並提供許多參考資源的問答方法呈現,如同老師就在你的身邊,看得懂才學得會。對於重要觀念與公式,也會用不同顏色標示 (對了!本書是彩色印刷,灑花),並且不斷地前後呼應提醒,講七遍做二十一遍,才不會讀到後面又忘了前面,如此才能把貝氏統計的精髓深深烙印在腦中。

本書非常適合個人研讀以及想瞭解貝氏統計技術的專業研究人員,亦可做為大學高年級和研究所教學用書。

本書特色:
● 由施威銘研究室監修,適時補充編註與譯註提醒讀者,看得懂才學得會。
● 貫徹『講七遍、做二十一遍』的精神,從做中學會的就不會忘記。
● 厚達六百多頁,為考慮到學習的便利性與舒適性,採用軟精裝裝訂可攤平閱讀。
● 彩色印刷,讓內文重點、圖表與公式更容易看清楚。
 

作者簡介

[作者 1]
Therese Donovan:美國地質調查暨魚類和野生動物生物學家。在佛蒙特大學魯賓斯坦環境與自然資源學院的研究所教授生態建模與保育生物學,並與專業人員共同研究脊椎動物保護問題。

[作者 2]
Ruth Mickey:佛蒙特大學數學與統計學系榮譽教授。她教授多變量分析、分類數據、調查取樣、變異數分析與機率學等課程,亦擔任碩博士委員會顧問。她致力於開發統計方法與應用以推動公共衛生與自然資源事務。

[譯者]
黃駿:臺灣大學腦與心智科學研究所碩士班畢業後,曾擔任過行銷、產品設計等工作。有 Java 與 Python 程式語言基礎,對於科學與科技議題抱有高度興趣,隨後投入翻譯工作,譯有《無限的力量》《深度強化式學習》《深度學習的 16 堂課》《AI 必須! 從做中學貝氏統計》等,同時經營自己的英文部落格:Neurozo Innovation Blog。
 

目錄大綱

第一篇 機率的基本概念
Ch01 先來瞭解一下機率
Ch02 聯合機率、邊際機率、條件機率
 
第二篇 貝氏定理和貝氏推論
Ch03 貝氏定理
Ch04 貝氏推論
Ch05 作者問題:包含兩個假設的貝氏推論
Ch06 生日問題:包含多個假設的貝氏推論
Ch07 肖像問題:利用聯合概似性進行貝氏推論
 
第三篇 機率函數
Ch08 機率質量函數
Ch09 機率密度函數
 
第四篇 貝氏共軛 (Bayesian Conjugate)
Ch10 白宮問題:Beta-二項式共軛
Ch11 鯊魚攻擊問題:Gamma-卜瓦松共軛
Ch12 楓糖問題:常態-常態共軛
 
第五篇 馬可夫鏈蒙地卡羅 (MCMC)
Ch13 回顧鯊魚攻擊問題:以 Metropolis 演算法進行 MCMC 分析
Ch14 MCMC 診斷技巧
Ch15 回顧白宮問題:以 Metropolis-Hastings 演算法進行 MCMC 分析
Ch16 回顧楓糖問題:以 Gibbs 採樣進行 MCMC 分析
 
第六篇 貝是定理的有趣應用
Ch17 生存遊戲問題:以 MCMC 進行簡單線性迴歸
Ch18 繼續討論生存遊戲問題:介紹貝氏模型選擇
Ch19 羅雷司問題:介紹貝氏網路
Ch20 萬事樂問題:介紹決策樹
 
附錄
A1 Beta-二項式共軛解
A2 Gamma-卜瓦松共軛解
A3 常態-常態共軛解
A4 簡單線性迴歸的共軛解
A5 迴歸資料的標準化