Часто рассказываю про вероятностное программирование, probabilistic graphical models и байесовские методы в общем, просят ссылок - отправляю один и тот же набор. Пишите, если у вас есть чем дополнить этот список.
Библиотеки
- PyMC
- Tensorflow Probability
- Pyro
- Stan + PyStan
- Bean Machine - вот с этой я не работал, но интересно.
- BAMT - Bayesian Analytical and Modelling Toolkit от ITMO NSS Lab.
- botorch - библиотека для многокритериальной байесовской оптимизации
- Adaptive Experimentation Platform - платформа для тестирования и развертывания байесовских моделей
Ресурсы
- Вероятностные модели для хакеров лучшее введение в тему, но код может не работать в новых версиях библиотек. Прекрасная, короткая и очень практичная книга.
- Вероятностные графовые модели, Луис Сукар.
- Bayesian Workflow как делать этот ваш байесовский анализ.
- Probabilistic Graphical Models: Principles and Techniques учебник Дафны Колер, учился по нему, мне очень зашел, не рекомендую (тяжеловат).
- Специализация на курсере от Дафны Колер, круто, но непрактично - модели на матлабе.
- Andrew Gelman - Bayesian Data Analysis для сильных духом, которые хотят знать все, Эндрю Гельман раздает свой учебник бесплатно. Не стоит читать от начала до конца (не дочитаете), прекрасен как справочник.
- Michael Betancourt - блог одного из авторов stan
- State of Bayes - цикл вебинаров о байесовском обучении.
- Ирина Деева - Фреймворк для вероятностного моделирования на основе байесовских сетей BAMT
- Курс «Байесовские методы в машинном обучении» Дмитрия Ветрова
Как выбрать априорное распределение:
- https://ru.wikipedia.org/wiki/Сопряжённое_априорное_распределение
- Conjugate prior relationships
- Статья http://www.math.wm.edu/~leemis/2008amstat.pdf и сайт
- Что делать с распределением Лапласса? Некоторые просто гамма-распределение используют.