Notes de lecture (en Python et Stan) pour une introduction à la modélisation statistique pour l'analyse de données (Midorimoto)

Lecture du mémo

Nous avons eu une session de lecture de Introduction à la modélisation statistique pour l'analyse des données, qui est connue sous le nom de "Midorimoto". À ce moment-là, j'ai fait une note de lecture et je la partage. Je l'ai téléchargé en tant que bloc-notes Jupyter sur GitHub. Les codes R et WinBUGS du livre sont autant que possible écrits en Python et Stan.

Créer un modèle statistique pour comprendre les données Chap1 Distribution de probabilité Chap2 et estimation la plus probable du modèle statistique Modèle linéaire généralisé Chap3 (GLM) - Régression de Poisson Chap4 GLM Model Selection-AIC and Model Prediction Test du rapport de vraisemblance Chap5 GLM et test de l'asymétrie Élargissement de la gamme d'applications de la régression Chap6 GLM-Logistic, etc. Modèle mixte linéaire généralisé Chap7 (GLMM) - Modélisation des différences individuelles Méthode de Monte Carlo en chaîne de Markov Chap8 (MCMC) et modèle statistique bayésien Modélisation Bayes du Chap9 GLM et estimation de la distribution postérieure Chap10 Hierarchical Bayes Model-GLMM Bayes Model Modèle de Bayes hiérarchique Chap11 avec structure spatiale

Qu'est-ce qu'un livre vert?

Nom officiel, Introduction à la modélisation statistique pour l'analyse des données. Cela s'appelle un livre vert car la couverture est verte. Un livre d'introduction à la modélisation statistique (une méthode pour créer un modèle et l'appliquer à des données d'observation pour comprendre le phénomène). Je pense qu'il est souvent introduit dans l'article du blog de TJO. Selon la préface, le lecteur est censé être "une personne qui n'a pas reçu de formation de base pour" exprimer et expliquer des modèles mathématiques avec des phénomènes "."

Ceux qui veulent recommander des livres verts

Je touche généralement les données, je les disperse dans Excel et je dessine une courbe approximative, mais je ne sais pas ce que je fais, alors j'ai pensé qu'il serait bon de la lire. Personnellement, j'ai ressenti une atmosphère difficile à partir de la couverture et du titre du livre, j'ai donc hésité à le lire, mais au fur et à mesure que je le lisais, comme le suggère le nom «Introduction», il a été rédigé de manière très simple à comprendre. .. Plutôt que de commencer à étudier depuis Introduction aux statistiques à l'Université de Tokyo (Akamoto), je pense qu'il peut être préférable de lire après avoir compris le flux de la modélisation statistique avec Midorimoto. Je suis.

Même ceux qui utilisent Python vont bien

Dans le livre, j'utilise R pour l'explication, mais il existe de nombreux codes écrits en Python sur le net, et je pense qu'il est possible de l'exécuter en Python à portée de main si vous vous référez à cela. (Merci d'avoir fait référence à de nombreux sites.) Si les exemples de données sont au format RData, il peut être nécessaire de les convertir en CSV sur R. Vous pouvez également voir le code écrit en Stan au lieu du code WinBUGS.

Cela peut devenir difficile à partir des chapitres 5 et 6, mais je pense que c'est un bon livre, alors lisez-le!

Recommended Posts

Notes de lecture (en Python et Stan) pour une introduction à la modélisation statistique pour l'analyse de données (Midorimoto)
Introduction à la modélisation statistique pour l'analyse des données
"Introduction à l'analyse de données par modélisation statistique bayésienne à partir de R et Stan" implémenté en Python
Note de lecture: Introduction à l'analyse de données avec Python
Introduction à la modélisation statistique pour l'analyse des données Sélection du modèle GLM
Introduction à la modélisation statistique pour le modèle linéaire généralisé d'analyse de données (GLM)
Introduction à la modélisation statistique pour l'analyse des données Élargissement de la gamme d'applications de GLM
Premiers pas avec Python pour les non-ingénieurs
Résolution de l'introduction d'AOJ aux algorithmes et aux structures de données en Python -Partie1-
Résolution de l'introduction d'AOJ aux algorithmes et aux structures de données en Python -Partie2-
Résolution de l'introduction d'AOJ aux algorithmes et aux structures de données en Python -Partie4-
Résolution de l'introduction d'AOJ aux algorithmes et aux structures de données en Python -Partie3-
Une introduction à Python pour l'apprentissage automatique
Une introduction à Python pour les programmeurs en langage C
Livre de canard implémenté en Python "Modélisation statistique Bayes avec Stan et R"
Analyse des données: application facile des statistiques descriptives et des statistiques d'estimation aux données CSV en Python
Une introduction à l'analyse vocale pour les applications musicales
Analyse des données en Python Résumé des sources que les débutants devraient d'abord consulter
Introduction à l'analyse des séries temporelles ~ Modèle d'ajustement saisonnier ~ Implémenté en R et Python
Mémo d'apprentissage Python pour l'apprentissage automatique par Chainer Chapitres 11 et 12 Introduction à Pandas Matplotlib
Organisation des procédures de base pour l'analyse des données et le traitement statistique (4)
[Pour les débutants] Comment étudier le test d'analyse de données Python3
Organisation des procédures de base pour l'analyse des données et le traitement statistique (2)
[Livre technique] Introduction à l'analyse de données avec Python -1 Chapitre Introduction-
[Impression] [Analyse de données à partir de zéro] Introduction à la science des données Python apprise dans des analyses de rentabilisation
[Introduction à cx_Oracle] (Partie 6) Mappage des types de données DB et Python
[Introduction aux Data Scientists] Statistiques descriptives et analyse de régression simple ♬
Python pour l'analyse des données Chapitre 4
Comment échanger des éléments dans un tableau en Python et comment inverser un tableau.
[Introduction à l'application Udemy Python3 +] 42. pour instruction, instruction break et instruction continue
[Introduction à l'application Udemy Python3 +] 36. Utilisation de In et Not
20200329_Introduction à l'analyse de données avec Python 2nd Edition Personal Summary
Conseils pour coder courts et faciles à lire en Python
[Comprendre au plus court] Principes de base de Python pour l'analyse des données
Notes d'apprentissage sur l'analyse des données Python
[Introduction to Data Scientists] Bases de Python ♬ Fonctions et classes
Introduction à la vérification des effets Rédaction des chapitres 4 et 5 en Python
Python pour l'analyse des données Chapitre 2
Une introduction à la programmation Python
[Introduction à Python] Combinaison des données Nikkei Average et NY Dow CSV
[Python] Introduction à la création de graphiques à l'aide de données de virus corona [Pour les débutants]
Introduction à Python pour, pendant
Conseils et précautions lors de l'analyse des données
Notes sur la lecture et l'écriture d'images TIFF float32 avec python
Python pour l'analyse des données Chapitre 3
Une introduction aux annotations de type et à Pyright pour un code Python plus robuste avec une complétion d'entrée améliorée
traitement pour utiliser les données notMNIST en Python (et essayé de les classer)
[Python] PCA scratch dans l'exemple de "Introduction à la méthode d'analyse multivariée"
Introduction à l'analyse de données avec Python P32-P43 [ch02 3.US Baby Names 1880-2010]
Introduction à l'analyse de données par Python P17-P26 [ch02 1.usa.gov données de bit.ly]
[Introduction à Python] Comment utiliser l'opérateur in dans l'instruction for?
Introduction à la modélisation statistique bayésienne avec python ~ Essai de régression linéaire avec MCMC ~
[Introduction to Data Scientists] Bases de Python ♬ Branchements conditionnels et boucles
Jouez avec la modélisation statistique: quantifiez la force des équipes de la J-League avec Stan et Python
[Introduction aux Data Scientists] Bases de Python ♬ Fonctions et fonctions anonymes, etc.
Une introduction à Mercurial pour les non-ingénieurs
[Introduction à Python3 Jour 1] Programmation et Python
Hashing de données en R et Python