W ostatnich dekadach statystyka bayesowska zyskała ogromne znaczenie w nauce i inżynierii. Współczesna analiza bayesowska to w dużej mierze statystyka obliczeniowa elastyczna, przejrzysta i umożliwiająca intuicyjną interpretację wyników.
Dzięki rozwojowi bibliotek języka Python koncepcje bayesowskie stały się praktycznym narzędziem do realizacji zaawansowanych scenariuszy analitycznych. Omawia także inne narzędzia ekosystemu bayesowskiego, takie jak Bambi, PreliZ i Kulprit.
Zapoznasz się z zagadnieniami bayesowskich addytywnych drzew regresyjnych (BART), selekcji zmiennych, konstrukcji rozkładów a priori i porównywania modeli. Ponadto dowiesz się, jak budować, analizować i interpretować modele probabilistyczne w projektach z zakresu data science.
W książce między innymi: budowa modeli probabilistycznych z użyciem PyMC analiza i diagnostyka modeli w ArviZ modele hierarchiczne zalety i ograniczenia porównywanie modeli i wybór najlepszych rozwiązań interpretacja wyników w kontekście rzeczywistych problemów myślenie probabilistyczne w ujęciu bayesowskim Książka stanowi kompleksowe, jasne i zwięzłe wprowadzenie do metod bayesowskich i biblioteki PyMC.
