Bayes olasılık teorisi veya grafik modelleri hakkında örnek dersler var mı?

R'de Bayes olasılık teorisini öğrenmek için referanslar gördüm ve bunun gibi özellikle de Python'da daha fazla şey olup olmadığını merak ediyordum. Bayes olasılık teorisini, çıkarımını, maksimum olabilirlik tahminini, grafik modelleri ve sıralamayı öğrenmeye yönelik mi?

Ocak 2012'nin sonundan itibaren , Olasılıksal Grafik Modeller konusunda 10 haftalık bir kurs Stanford Profesörü Daphne Koller tarafından ücretsiz olarak çevrimiçi olarak gerçekleştirilecek . Andrew NG'nin ML kursunun doğal bir devamı olarak kabul edilir ve Andrew'un yakınında herhangi bir yerdeyse, mükemmel kalitede olacaktır.

Orada da mathematicalmonk var - bedava youtube video MLE, Bayes ağlar gibi birçok konuları kapsayan, daha matematik ağır.

ai sınıfı ders birimleri 3.x Yapay Zeka ve 4.x Olasılıksal Çıkarımda Olasılık ( http: //www.ai-class.com'da bir hesap oluşturursanız, bunları iyi düzenlenmiş bir arayüzde görebilirsiniz)

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

Ipython notebook'un büyük kullanımı ve Bayes yöntemlerini öğrenme , Hacker'lar için Olasılıksal Programlama ve Bayes Yöntemleridir . Ipython / Scipy yığınını kullanıyorsanız, not defterini indirebilir ve örnek kodu yerel olarak çalıştırabilirsiniz; etkileşimli konsolu Python'u öğrenmek, test etmek ve yazmak için harikadır.

Ipython: http://ipython.org/

Bayesian istatistiklerinin temel kavramlarını gerçekten öğrenmek istiyorsanız, kesinlikle Andrew Gelman tarafından yazılan Bayesian veri analizini okumalısınız . Egzersizi yapmanızı öneririm. Ondan çok şey öğreneceksiniz. Bayesci istatistiklerin matematiğini yapmak Olasılıksal Grafik Modelleri öğrenmeniz için önemli bir adımdır. Bayesian kavramının birinci sınıf öğrencisi olduğunuz görülüyor. Herhangi bir temel kavram öğrenmediyseniz ve Bayes matematiksel hesaplamasına aşina değilseniz Olasılıksal Grafik Modelleri aceleyle okumayın. Eğer öneriyi biliyorsan Andrew Ng tarafından sağlanan Stanford video konferanslarını okuduysanız .

Bu MOOC "Uçan Robotların Otonom Navigasyonu" na rastladım ( https://www.edx.org/course/autonomous-navigation-flying-robots-tumx-autonavx-0 ). Kursta, eğitmenler katılımcılara otonom navigasyon için uçan bir robotun nasıl programlanacağını (python'da), devlet tahmini ve diğer yararlı teknikler için Bayesian istatistiklerini nasıl kullanacaklarını öğretir (örn. Gürültülü sensör girişinin Kalman filtrelemesi). Güzel olan şey, bir kişinin sınıfta yazdığı kodun piyasada bulunan bazı uçan robotlar için kullanılabilir olmasıdır, bu nedenle daha sonra bununla daha fazla oynayabilir ve Bayes devlet tahminini nasıl iyileştirebileceği olasılıkları arayabilir.

Ipython Notebook "Hackerlere Yönelik Probabilisic Programming & Bayesian Yöntemleri" için de kesinlikle tavsiye ederim. Daha önce girişte böyle erişilebilir ve kapsamlı bir el ile karşılaşmadım ve nispeten kısa bir sürede gerçekten çok şey öğrendim!