Чи є підручники з теорії ймовірностей Баєса чи графічних моделей на прикладі?

Я бачив посилання на вивчення баєсівської теорії ймовірностей в R, і мені було цікаво, чи є щось подібне, можливо, конкретно в Python? Орієнтований на вивчення байєсівської теорії ймовірностей, умовиводу, максимальної оцінки ймовірності, графічних моделей і подібного роду?

Починаючи з кінця січня 2012 року, 10-тижневий курс на тему ймовірнісних графічних моделей відбудеться в Інтернеті безкоштовно професором Стенфорда Дафною Коллер . Це вважається природним продовженням курсу ML ML від Andrew NG , і якщо він знаходиться десь поблизу від Andrew, це буде вишуканою якістю.

Є також математичнімонки - безкоштовні відеоролики на ютубі, що висвітлюють багато тем, таких як MLE, мережі Бейса, вони більш важкі для математики.

Курси підрозділів ai-класу 3.x Ймовірність в AI та 4.x Імовірнісний висновок (якщо ви створите обліковий запис на http://www.ai-class.com, ви можете побачити їх у добре упорядкованому інтерфейсі)

Детальніше:
http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html
http://mtnwestrubyconf2007.confreaks.com/session03.html

Велике використання зошита ipython та вивчення байесівських методів - це імовірнісне програмування та байесівські методи для хакерів . Якщо ви використовуєте стек Ipython / Scipy, ви можете завантажити ноутбук і запустити приклад код локально; його інтерактивна консоль чудово підходить для навчання, тестування та написання Python.

Іпітон: http://ipython.org/

Якщо ви дійсно хочете вивчити фундаментальну концепцію байєсівської статистики, обов'язково слід ознайомитися з байєсівським аналізом даних, написаним Ендрю Гелманом. Я закликаю вас робити вправу. Ви багато чого з цього навчитесь. Виконання математики байєсівської статистики є важливим кроком для вивчення ймовірнісних графічних моделей. Здається, ви першокурсник байєсівської концепції. НЕ читайте ймовірнісних графічних моделей поспішно, якщо ви не вивчили жодного базового поняття і не ознайомилися з байєсівським математичним розрахунком. ви знаєте мою пропозицію Якщо ви прочитали відео лекції зі Стенфорда, надані Ендрю Нг .

Щойно натрапив на цей MOOC "Автономна навігація літаючих роботів" ( https://www.edx.org/course/autonomous-navigation-flying-robots-tumx-autonavx-0 ). У ході викладачі навчають учасників, як запрограмувати (на пітоні) літаючого робота для автономної навігації, використовуючи байєсівські статистичні дані для оцінки станів та інші корисні методи (наприклад, фільтрація Кальмана від шумового введення датчиків). Приємно те, що код, який пише кожен у класі, може бути використаний для деяких комерційно доступних літаючих роботів, тож згодом можна більше пограти з цим і шукати можливості, як поліпшити оцінку стану Баєса.

Для зошита Ipython "Імовірнісне програмування та байєсівські методи для хакерів" я також настійно рекомендую його. Я ще не зустрічав таких добре доступних та всебічних рук щодо впровадження і справді багато чого навчився за порівняно короткий час!