机读格式显示(MARC)

• 000 02041nam 2200349 450

• 001 0000476097

• 005 20241104153100.0

• 010 __ |a 978-7-302-65485-8 |d CNY98.00

• 100 __ |a 20240327d2024 em y0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a ak z 000yy

• 106 __ |a r

• 200 1_ |a Python贝叶斯建模与计算 |A Python bei xie si jian mo yu ji suan |f (阿根廷) 奥斯瓦尔多·A. 马丁, (美) 拉万·库马尔, (美) 劳俊鹏著 |g 郭涛译

• 210 __ |a 北京 |c 清华大学出版社 |d 2024

• 215 __ |a xx, 324页 |c 图 |d 24cm

• 225 2_ |a 数据科学与大数据技术 |A shu ju ke xue yu da shu ju ji shu

• 306 __ |a 本书中文简体翻译版授权由清华大学出版社独家出版 本书原版由Taylor & Francis出版集团旗下CRC Press出版公司出版, 并经其授权翻译出版

• 312 __ |a 英文题名原文取自版权页

• 314 __ |a 奥斯瓦尔多·A. 马丁, 是阿根廷IMASL-CONICET和芬兰阿尔托大学计算机科学系的研究员。拉万·库马尔, 是谷歌的数据科学家, 此前曾在SpaceX和Sweetgreen等公司工作。劳俊鹏, 是谷歌的数据科学家。郭涛, 主要从事人工智能、现代软件工程、智能空间信息处理以及时空大数据挖掘与分析等前沿交叉研究。

• 330 __ |a 本书旨在帮助贝叶斯初学者成为中级从业者。本书使用了PyMC3、Tensorflow Probability和ArviZ等多个软件库的实践方法, 重点为应用统计学的实践方法, 并参考了基础数学理论。本书首先回顾贝叶斯推断的概念。第2章介绍了贝叶斯模型探索性分析的现代方法。基于这两个基本原理, 接下来的章节介绍了各种模型, 包括线性回归、样条、时间序列和贝叶斯加性回归树。其后几章讨论的主题包括: 逼近贝叶斯计算, 通过端到端案例研究展示如何在不同环境中应用贝叶斯建模, 以及概率编程语言内部构件。

• 410 _0 |1 2001 |a 数据科学与大数据技术

• 500 10 |a Bayesian modeling and computation in Python |A Bayesian Modeling And Computation In Python |m Chinese

• 606 0_ |a 软件工具 |A ruan jian gong ju |x 程序设计

• 690 __ |a TP311.561 |v 5

• 701 _1 |a 马丁 |A ma ding |g (Martin, Osvaldo A.) |4 著

• 701 _1 |a 库马尔 |A ku ma er |g (Kumar, Ravin) |4 著

• 701 _0 |a 劳俊鹏 |A lao jun peng |4 著

• 702 _0 |a 郭涛 |A guo tao |4 译

• 801 _0 |a CN |b 湖北三新 |c 20240731

• 905 __ |a LJUZC |d TP311.561/781

• 920 __ |a 222016 |z 1