エンジニアの方をメインダーゲットとしたベイズ推論の入門書。
訳は自然でわかりやすい。
数学の知識が浅くても読めるようになっている。
訳注などの翻訳者の方の補足がすばらしい。
非常に基礎的な数学のところで、原書でも説明が無いところでも説明を入れてくれている。
数学は詳しくないものの、Pythonでデータ分析作業をしている方などにおすすめ。
逆に、数学の知識が豊富で、Pythonをほとんど触ったことがない方にとっては、numpyだったりmatplotlibだったりの書籍内で使われるライブラリの説明は少ないのでつらい印象。
原書のレビューで、低評価が付いていた、各種バージョンなどの環境面は、訳者の方が明示してくれている。
また、Python3に対応しているので、2.7などに抵抗がある方でも問題は無い。
コードの実行はjupyter前提になっているので、慣れている環境だったのでコードを試すのも楽で、そこも良かった。
プライム無料体験をお試しいただけます
プライム無料体験で、この注文から無料配送特典をご利用いただけます。
非会員 | プライム会員 | |
---|---|---|
通常配送 | ¥410 - ¥450* | 無料 |
お急ぎ便 | ¥510 - ¥550 | |
お届け日時指定便 | ¥510 - ¥650 |
*Amazon.co.jp発送商品の注文額 ¥3,500以上は非会員も無料
無料体験はいつでもキャンセルできます。30日のプライム無料体験をぜひお試しください。
¥3,520¥3,520 税込
発送元: Amazon.co.jp 販売者: Amazon.co.jp
¥3,520¥3,520 税込
発送元: Amazon.co.jp
販売者: Amazon.co.jp
¥1,869¥1,869 税込
無料配送 5月14日 火曜日にお届け
発送元: ブックスドリーム 参考書・専門書・医学書専門店【30日返品保証・お急ぎ便対応可・適格請求書発行可能】 販売者: ブックスドリーム 参考書・専門書・医学書専門店【30日返品保証・お急ぎ便対応可・適格請求書発行可能】
¥1,869¥1,869 税込
無料配送 5月14日 火曜日にお届け
発送元: ブックスドリーム 参考書・専門書・医学書専門店【30日返品保証・お急ぎ便対応可・適格請求書発行可能】
販売者: ブックスドリーム 参考書・専門書・医学書専門店【30日返品保証・お急ぎ便対応可・適格請求書発行可能】
無料のKindleアプリをダウンロードして、スマートフォン、タブレット、またはコンピューターで今すぐKindle本を読むことができます。Kindleデバイスは必要ありません。
ウェブ版Kindleなら、お使いのブラウザですぐにお読みいただけます。
携帯電話のカメラを使用する - 以下のコードをスキャンし、Kindleアプリをダウンロードしてください。
Pythonで体験するベイズ推論:PyMCによるMCMC入門 単行本(ソフトカバー) – 2017/4/6
キャメロン デビッドソン=ピロン
(著),
玉木 徹
(翻訳)
{"desktop_buybox_group_1":[{"displayPrice":"¥3,520","priceAmount":3520.00,"currencySymbol":"¥","integerValue":"3,520","decimalSeparator":null,"fractionalValue":null,"symbolPosition":"left","hasSpace":false,"showFractionalPartIfEmpty":true,"offerListingId":"hdFpF6zCtNB%2Bx%2BuFXJ9i6%2B69%2FvKvOAwL%2FnKYlSwp765Kv2N35vJgI8RreERQrE09l2VJ%2FfLnutSE4SZPE2XNuN%2F1s7%2F1cz57qsmS1UQsM20J3n6F2c4rtbNvojG6tgKKMxcutMakDB8%3D","locale":"ja-JP","buyingOptionType":"NEW","aapiBuyingOptionIndex":0}, {"displayPrice":"¥1,869","priceAmount":1869.00,"currencySymbol":"¥","integerValue":"1,869","decimalSeparator":null,"fractionalValue":null,"symbolPosition":"left","hasSpace":false,"showFractionalPartIfEmpty":true,"offerListingId":"hdFpF6zCtNB%2Bx%2BuFXJ9i6%2B69%2FvKvOAwLmI1htmUjKppM6xUZEapMdLX8c8PLR6D6kJHdeLfgCBwkX8Fg2%2FSvW31BJjcDXSZ3XmqHjtv2eiiBWuWnUR3zGzIPZlavJCnuSoU7kNhRqtl6onCMQmDCDtDoPlfA72twpYFSQip4oE%2BukRYJ3GxEmA%3D%3D","locale":"ja-JP","buyingOptionType":"USED","aapiBuyingOptionIndex":1}]}
購入オプションとあわせ買い
◆Pythonモジュール「PyMC2」初の解説書
「PyMC」は, NumPy, SciPy, Matplotlibなどのツールとも高い親和性をもつ, MCMC(マルコフ連鎖モンテカルロ法)を用いたベイズ推論のためのPythonモジュールです.こうしたツールの登場により,これまで敷居の高かったベイズ推論を用いたデータ解析は,ますます実用性を高めています.
◆MCMCを動かしながら体得! ――ベイズ推論の新しい学び方
ベイズ推論をデータ分析で実践するまでには,従来は「ベイズ統計の基礎を学ぶ」 →「高度な計算手法の原理と実装法を学ぶ」→「コードを書いて実データを解析する」というステップが必要でした.しかしPyMCを使えば,このプロセスを大幅に短縮し「,いきなりMCMCを走らせる」→「結果を見ながらベイズ推論のエッセンスを学ぶ」という,効率的かつ実用的な学習法が実現します.Jupyter NotebookでのPythonコードが多数掲載された本書は,その格好の手引きです.
~~本書を読めばわかること~~
・ベイズ推論とはなにか,他の統計的推論との違い
・統計モデルをPyMCで実装する方法
・MCMCの考え方と威力
・損失関数の選び方・使い方
・事前分布の選び方と,サンプルサイズによる影響
・ベイズ主義的なA/Bテストの実践方法
◆電子版が発行されました/詳細は,森北出版webサイトにて
【目次】
第1章 ベイズ推論の考え方
1.1 はじめに
1.1.1 ベイズ的な考え方
1.1.2 ベイズ推論の実践
1.1.3 頻度主義は間違っているのか?
1.1.4 「ビッグデータ」について
1.2 ベイズ推論の枠組み
1.2.1 例題:誰もが一度は通る「コイン投げ」問題
1.2.2 例題:司書か農家か br> 1.3 確率分布
1.3.1 離散の場合
1.3.2 連続の場合
1.3.3 ところで って何?
1.4 コンピュータにベイズ推論をさせるには
1.4.1 例題:メッセージ数に変化はあるか?
1.4.2 必殺の一撃: PyMC
1.4.3 解釈
1.4.4 事後分布からサンプリングすると何が嬉しいの?
1.5 おわりに
付録
実際に二つの は統計的に異なっているのか?
二つの変化点への拡張
演習問題
第2章 PyMC についてもう少し
2.1 はじめに
2.1.1 親子関係
2.1.2 PyMC 変数
2.1.3 モデルに観測を組み込む
2.1.4 最後に
2.2 モデリングのアプローチ
2.2.1 同じ物語,異なる結末
2.2.2 例題:ベイズ的A/B テスト
2.2.3 単純な場合
2.2.4 A とB を一緒に
2.2.5 例題:嘘に対抗するアルゴリズム
2.2.6 二項分布
2.2.7 例題:カンニングをした学生の割合
2.2.8 もう一つのPyMC モデル
2.2.9 PyMC の使い方をもう少し
2.2.10 例題:スペースシャトル「チャレンジャー号」の悲劇
2.2.11 正規分布
2.2.12 チャレンジャー号の悲劇の日に何が起こった br> 2.3 このモデルは適切か?
2.3.1 セパレーションプロット
2.4 おわりに
付録
演習問題
第3章 MCMC のなかをのぞいてみよう
3.1 山あり谷あり,分布の地形
3.1.1 MCMC で地形を探索する
3.1.2 MCMC を実行するアルゴリズム
3.1.3 事後分布を近似する他の方法
3.1.4 例題:混合モデルの教師なしクラスタリング
3.1.5 事後サンプルを混ぜないで
3.1.6 MAP を使って収束を改善
3.2 収束性の解析
3.2.1 自己相関
3.2.2 間引き処理
3.2.3 pymc.Matplot.plot()
3.3 MCMC の使い方のヒント
3.3.1 良い初期値から始める
3.3.2 事前分布
3.3.3 MCMC についての経験則
3.4 おわりに
第4章 偉大な定理,登場
4.1 はじめに
4.2 大数の法則
4.2.1 直感的には
4.2.2 例題:ポアソン分布に従う確率変数の収束
4.2.3 Var(Z) をどうやって計算する br> 4.2.4 期待値と確率
4.2.5 つまりベイズ統計と何の関係があるのか br> 4.3 サンプルサイズが小さいという災い
4.3.1 例題:集約されたデータの扱い
4.3.2 例題: Kaggle のアメリカ国勢調査回答率コンテスト
4.3.3 例題: Reddit コメントをソートする
4.3.4 ソート!
4.3.5 でも計算が遅すぎる!
4.3.6 評価システムへの拡張
4.4 おわりに
付録
コメントをソートする公式の導出
演習問題
第5章 損失はおいくら?
5.1 はじめに
5.2 損失関数
5.2.1 実世界の損失関数
5.2.2 例題:テレビ番組The Price Is Right の最適化
5.3 ベイズ手法を用いた機械学習
5.3.1 例題:株価の予測
5.3.2 例題: Kaggle コンテスト「ダークマターの観測」
5.3.3 観測データ
5.3.4 事前分布
5.3.5 PyMC で実装する
5.4 おわりに
第6章 事前分布をハッキリさせよう
6.1 はじめに
6.2 主観的な事前分布と客観的な事前分布
6.2.1 客観的な事前分布
6.2.2 主観的な事前分布
6.2.3 意思決定につぐ意思決定
6.2.4 経験ベイズ
6.3 知っておくべき事前分布
6.3.1 ガンマ分布
6.3.2 ウィシャート分布
6.3.3 ベータ分布
6.4 例題:ベイズ多腕バンディット
6.4.1 応用
6.4.2 解法
6.4.3 良さを測る
6.4.4 アルゴリズムの拡張
6.5 その分野の専門家から事前分布を引き出す
6.5.1 ルーレット法
6.5.2 例題:株売買の収益
6.5.3 上級者向け:ウィシャート分布のノウハウ
6.6 共役事前分布
6.7 Jeffreys 事前分布
6.8 N が大きくなったときの事前分布の影響
6.9 おわりに
付録
罰則付き線形回帰のベイズ的な見方
事前確率が0 の場合
第7章 ベイズA/B テスト
7.1 はじめに
7.2 コンバージョンテストの復習
7.3 線形損失関数の追加
7.3.1 期待収益の解析
7.3.2 A/B テストへと拡張する
7.4 コンバージョン以上の情報を得るために: t 検定
7.4.1 t 検定の手順
7.5 増加量の推定
7.5.1 それでも点推定が必要なときは
7.6 おわりに
用語集
欧文索引
和文索引
「PyMC」は, NumPy, SciPy, Matplotlibなどのツールとも高い親和性をもつ, MCMC(マルコフ連鎖モンテカルロ法)を用いたベイズ推論のためのPythonモジュールです.こうしたツールの登場により,これまで敷居の高かったベイズ推論を用いたデータ解析は,ますます実用性を高めています.
◆MCMCを動かしながら体得! ――ベイズ推論の新しい学び方
ベイズ推論をデータ分析で実践するまでには,従来は「ベイズ統計の基礎を学ぶ」 →「高度な計算手法の原理と実装法を学ぶ」→「コードを書いて実データを解析する」というステップが必要でした.しかしPyMCを使えば,このプロセスを大幅に短縮し「,いきなりMCMCを走らせる」→「結果を見ながらベイズ推論のエッセンスを学ぶ」という,効率的かつ実用的な学習法が実現します.Jupyter NotebookでのPythonコードが多数掲載された本書は,その格好の手引きです.
~~本書を読めばわかること~~
・ベイズ推論とはなにか,他の統計的推論との違い
・統計モデルをPyMCで実装する方法
・MCMCの考え方と威力
・損失関数の選び方・使い方
・事前分布の選び方と,サンプルサイズによる影響
・ベイズ主義的なA/Bテストの実践方法
◆電子版が発行されました/詳細は,森北出版webサイトにて
【目次】
第1章 ベイズ推論の考え方
1.1 はじめに
1.1.1 ベイズ的な考え方
1.1.2 ベイズ推論の実践
1.1.3 頻度主義は間違っているのか?
1.1.4 「ビッグデータ」について
1.2 ベイズ推論の枠組み
1.2.1 例題:誰もが一度は通る「コイン投げ」問題
1.2.2 例題:司書か農家か br> 1.3 確率分布
1.3.1 離散の場合
1.3.2 連続の場合
1.3.3 ところで って何?
1.4 コンピュータにベイズ推論をさせるには
1.4.1 例題:メッセージ数に変化はあるか?
1.4.2 必殺の一撃: PyMC
1.4.3 解釈
1.4.4 事後分布からサンプリングすると何が嬉しいの?
1.5 おわりに
付録
実際に二つの は統計的に異なっているのか?
二つの変化点への拡張
演習問題
第2章 PyMC についてもう少し
2.1 はじめに
2.1.1 親子関係
2.1.2 PyMC 変数
2.1.3 モデルに観測を組み込む
2.1.4 最後に
2.2 モデリングのアプローチ
2.2.1 同じ物語,異なる結末
2.2.2 例題:ベイズ的A/B テスト
2.2.3 単純な場合
2.2.4 A とB を一緒に
2.2.5 例題:嘘に対抗するアルゴリズム
2.2.6 二項分布
2.2.7 例題:カンニングをした学生の割合
2.2.8 もう一つのPyMC モデル
2.2.9 PyMC の使い方をもう少し
2.2.10 例題:スペースシャトル「チャレンジャー号」の悲劇
2.2.11 正規分布
2.2.12 チャレンジャー号の悲劇の日に何が起こった br> 2.3 このモデルは適切か?
2.3.1 セパレーションプロット
2.4 おわりに
付録
演習問題
第3章 MCMC のなかをのぞいてみよう
3.1 山あり谷あり,分布の地形
3.1.1 MCMC で地形を探索する
3.1.2 MCMC を実行するアルゴリズム
3.1.3 事後分布を近似する他の方法
3.1.4 例題:混合モデルの教師なしクラスタリング
3.1.5 事後サンプルを混ぜないで
3.1.6 MAP を使って収束を改善
3.2 収束性の解析
3.2.1 自己相関
3.2.2 間引き処理
3.2.3 pymc.Matplot.plot()
3.3 MCMC の使い方のヒント
3.3.1 良い初期値から始める
3.3.2 事前分布
3.3.3 MCMC についての経験則
3.4 おわりに
第4章 偉大な定理,登場
4.1 はじめに
4.2 大数の法則
4.2.1 直感的には
4.2.2 例題:ポアソン分布に従う確率変数の収束
4.2.3 Var(Z) をどうやって計算する br> 4.2.4 期待値と確率
4.2.5 つまりベイズ統計と何の関係があるのか br> 4.3 サンプルサイズが小さいという災い
4.3.1 例題:集約されたデータの扱い
4.3.2 例題: Kaggle のアメリカ国勢調査回答率コンテスト
4.3.3 例題: Reddit コメントをソートする
4.3.4 ソート!
4.3.5 でも計算が遅すぎる!
4.3.6 評価システムへの拡張
4.4 おわりに
付録
コメントをソートする公式の導出
演習問題
第5章 損失はおいくら?
5.1 はじめに
5.2 損失関数
5.2.1 実世界の損失関数
5.2.2 例題:テレビ番組The Price Is Right の最適化
5.3 ベイズ手法を用いた機械学習
5.3.1 例題:株価の予測
5.3.2 例題: Kaggle コンテスト「ダークマターの観測」
5.3.3 観測データ
5.3.4 事前分布
5.3.5 PyMC で実装する
5.4 おわりに
第6章 事前分布をハッキリさせよう
6.1 はじめに
6.2 主観的な事前分布と客観的な事前分布
6.2.1 客観的な事前分布
6.2.2 主観的な事前分布
6.2.3 意思決定につぐ意思決定
6.2.4 経験ベイズ
6.3 知っておくべき事前分布
6.3.1 ガンマ分布
6.3.2 ウィシャート分布
6.3.3 ベータ分布
6.4 例題:ベイズ多腕バンディット
6.4.1 応用
6.4.2 解法
6.4.3 良さを測る
6.4.4 アルゴリズムの拡張
6.5 その分野の専門家から事前分布を引き出す
6.5.1 ルーレット法
6.5.2 例題:株売買の収益
6.5.3 上級者向け:ウィシャート分布のノウハウ
6.6 共役事前分布
6.7 Jeffreys 事前分布
6.8 N が大きくなったときの事前分布の影響
6.9 おわりに
付録
罰則付き線形回帰のベイズ的な見方
事前確率が0 の場合
第7章 ベイズA/B テスト
7.1 はじめに
7.2 コンバージョンテストの復習
7.3 線形損失関数の追加
7.3.1 期待収益の解析
7.3.2 A/B テストへと拡張する
7.4 コンバージョン以上の情報を得るために: t 検定
7.4.1 t 検定の手順
7.5 増加量の推定
7.5.1 それでも点推定が必要なときは
7.6 おわりに
用語集
欧文索引
和文索引
- 本の長さ249ページ
- 言語日本語
- 出版社森北出版
- 発売日2017/4/6
- 寸法15.7 x 1.5 x 22.2 cm
- ISBN-104627077912
- ISBN-13978-4627077911
よく一緒に購入されている商品
対象商品: Pythonで体験するベイズ推論:PyMCによるMCMC入門
¥3,520¥3,520
最短で5月14日 火曜日のお届け予定です
残り9点(入荷予定あり)
¥3,740¥3,740
最短で5月14日 火曜日のお届け予定です
残り16点(入荷予定あり)
¥3,960¥3,960
最短で5月14日 火曜日のお届け予定です
残り7点(入荷予定あり)
総額:
当社の価格を見るには、これら商品をカートに追加してください。
ポイントの合計:
pt
もう一度お試しください
追加されました
一緒に購入する商品を選択してください。
この商品を見た後に買っているのは?
ページ 1 以下のうち 1 最初から観るページ 1 以下のうち 1
商品の説明
出版社からのコメント
◆電子版が発行されました/詳細は,森北出版webサイトにて
著者について
広島大学 准教授 博(工)
登録情報
- 出版社 : 森北出版 (2017/4/6)
- 発売日 : 2017/4/6
- 言語 : 日本語
- 単行本(ソフトカバー) : 249ページ
- ISBN-10 : 4627077912
- ISBN-13 : 978-4627077911
- 寸法 : 15.7 x 1.5 x 22.2 cm
- Amazon 売れ筋ランキング: - 261,670位本 (本の売れ筋ランキングを見る)
- - 172位統計法・人口統計・資源統計
- - 391位確率・統計
- カスタマーレビュー:
著者について
著者をフォローして、新作のアップデートや改善されたおすすめを入手してください。
著者の本をもっと発見したり、よく似た著者を見つけたり、著者のブログを読んだりしましょう
-
トップレビュー
上位レビュー、対象国: 日本
レビューのフィルタリング中に問題が発生しました。後でもう一度試してください。
2019年1月4日に日本でレビュー済み
Amazonで購入
この訳本の責任ではありませんが、本家サイトがpymc3対応したことにより、かなりコードが替わっているように感じます。
もちろんpymc2のnotebookファイルも含まれているのでそちらを読み込めばこの書籍と大凡一致したコードで読むことができますが、最新のものを使おうとすると全然一致せず参考になりません。
さらに、pymc3を使わず、numpyやscipyを多用するようになってしまったので、pymc3すら主眼なのかどうか・・・、という感じに変貌しているようです。
もちろんpymc2のnotebookファイルも含まれているのでそちらを読み込めばこの書籍と大凡一致したコードで読むことができますが、最新のものを使おうとすると全然一致せず参考になりません。
さらに、pymc3を使わず、numpyやscipyを多用するようになってしまったので、pymc3すら主眼なのかどうか・・・、という感じに変貌しているようです。
2019年7月13日に日本でレビュー済み
Amazonで購入
他のレビューでも指摘されているように、この本で使用しているのはPyMCで、より新しいPyMC3ではない。
実際にデコレーターが使われなくなるなど使い方が変更されたことが多い。
そのため、別の本を購入することとなったのだが、そのため本書と比較することができた。こちらの本の方ずっと概念が分かりやすい。
ベイズ推論の考え方を学ぶには、こちらの方がしっくり来た。最初にその別の本から読み始めていたら、同じ理解は得られなかったかもしれない。
実際にデコレーターが使われなくなるなど使い方が変更されたことが多い。
そのため、別の本を購入することとなったのだが、そのため本書と比較することができた。こちらの本の方ずっと概念が分かりやすい。
ベイズ推論の考え方を学ぶには、こちらの方がしっくり来た。最初にその別の本から読み始めていたら、同じ理解は得られなかったかもしれない。
2017年7月11日に日本でレビュー済み
これまでベイズ統計の解説本を何冊か読んだがイマイチすっきりしなかった。この本で python のコーディングを見ていろいろ腑に落ちた。
こんな人向け
・ベイズ関連の基礎知識がある
・pythonのコードが読める
こんな人向け
・ベイズ関連の基礎知識がある
・pythonのコードが読める
2017年5月31日に日本でレビュー済み
難解なMCMCがPythonで手軽に扱えるようになります。…
2019年3月8日に日本でレビュー済み
Pythonによるベイズ推論のモンテカルロ計算の解説本です。特徴がある本なのですが、ベイズ推論の説明はユーザー目線が強すぎてバランスを欠いている部分があると感じました。(例えば共役事前分布は無意味と言っている部分)。また、購入時点ではこの本以外にほとんど選択肢がありませんでしたが、2019年現在ではツール(Python2+PyMC)がそろそろ賞味期限切れかもしれません。