มีแบบฝึกหัดใดบ้างเกี่ยวกับทฤษฎีความน่าจะเป็นแบบเบย์หรือแบบจำลองกราฟิกโดยใช้ตัวอย่าง?

ฉันเคยเห็นการอ้างอิงถึงการเรียนรู้ทฤษฎีความน่าจะเป็นแบบเบย์ใน R และฉันสงสัยว่ามีอะไรมากกว่านี้บางทีใน Python โดยเฉพาะ มุ่งสู่การเรียนรู้ทฤษฎีความน่าจะเป็นแบบเบย์การอนุมานการประมาณความน่าจะเป็นสูงสุดแบบจำลองกราฟิกและการเรียงลำดับ?

เริ่มต้นช่วงปลายเดือนมกราคม 2012, 10 สัปดาห์แน่นอนในเรื่องของความน่าจะเป็นกราฟิกรุ่นจะจัดขึ้นออนไลน์ฟรีโดยสแตนฟอศาสตราจารย์Daphne Koller มันถือว่าเป็นความต่อเนื่องตามธรรมชาติของหลักสูตร MLของAndrew NGและหากอยู่ใกล้กับแอนดรูมันจะมีคุณภาพที่ยอดเยี่ยม

นอกจากนี้ยังมีmathematicalmonk เป็น - วิดีโอ YouTube ฟรีครอบคลุมหัวข้อต่างๆเช่น MLE เครือข่าย Bayes พวกเขามีหนักคณิตศาสตร์

ai-class course units 3.x ความน่าจะเป็นใน AIและ4.x การอนุมานความน่าจะเป็น (ถ้าคุณสร้างบัญชีบนhttp://www.ai-class.comคุณอาจเห็นพวกเขาในอินเทอร์เฟซที่สั่งดี)

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

ใช้งานที่ดีของโน้ตบุ๊ค ipython และการเรียนรู้วิธีการแบบเบย์คือการเขียนโปรแกรมและวิธีการน่าจะเป็นแบบเบย์สำหรับแฮกเกอร์ หากคุณใช้สแต็ก Ipython / Scipy คุณสามารถดาวน์โหลดโน้ตบุ๊กและรันโค้ดตัวอย่างในเครื่องได้ มันเป็นคอนโซลแบบโต้ตอบที่ดีสำหรับการเรียนรู้การทดสอบและการเขียน Python

Ipython: http://ipython.org/

หากคุณต้องการเรียนรู้แนวคิดพื้นฐานของสถิติแบบเบย์แน่นอนคุณควรอ่านการวิเคราะห์ข้อมูลแบบเบย์ที่เขียนโดย Andrew Gelman ฉันแนะนำให้คุณออกกำลังกาย คุณจะได้เรียนรู้มากมายจากมัน การทำสถิติทางสถิติแบบเบย์เป็นขั้นตอนสำคัญสำหรับคุณในการเรียนรู้แบบจำลองความน่าจะเป็นแบบจำลอง ดูเหมือนว่าคุณเป็นน้องใหม่ของแนวคิดแบบเบย์ อย่าอ่านแบบจำลองความน่าจะเป็นแบบเร่งด่วนหากคุณยังไม่ได้เรียนรู้แนวคิดพื้นฐานใด ๆ และไม่คุ้นเคยกับการคำนวณทางคณิตศาสตร์แบบเบย์ คุณรู้คำแนะนำของฉันถ้าคุณมีอ่านบรรยายวิดีโอจาก Stanford ให้โดยแอนดรูอึ้ง

เพิ่งเจอ MOOC "การนำทางอัตโนมัติของหุ่นยนต์บิน" ( https://www.edx.org/course/autonomous-navigation-flying-robots-tumx-autonavx-0 ) ในหลักสูตรผู้สอนจะสอนผู้เข้าร่วมถึงวิธีการตั้งโปรแกรม (ในไพ ธ อน) หุ่นยนต์บินสำหรับการนำทางด้วยตนเองใช้ประโยชน์จากสถิติแบบเบย์สำหรับการประเมินสถานะและเทคนิคที่มีประโยชน์อื่น ๆ (เช่น Kalman กรองอินพุตเซ็นเซอร์ที่มีเสียงดัง) สิ่งที่ดีคือรหัสที่เขียนในชั้นเรียนนั้นสามารถใช้งานได้สำหรับหุ่นยนต์บินที่มีจำหน่ายทั่วไปดังนั้นจึงสามารถเล่นกับมันได้ในภายหลังและค้นหาความเป็นไปได้ในการปรับปรุงการประมาณค่าแบบเบย์

สำหรับ Ipython Notebook "Probabilisic Programming & Bayesian Methods สำหรับแฮกเกอร์" ฉันขอแนะนำเป็นอย่างยิ่ง ยังไม่เจอมือที่สามารถเข้าถึงได้และครอบคลุมในการแนะนำมาก่อนและเรียนรู้มากมายภายในเวลาอันสั้น!