StanとRでベイズ統計モデリング

最先端のデータ分析の手法を基礎から応用までざっと学べる１冊！ 【本書の内容】 次代の花形職種である「データサイエンティスト」はどのような知識を身につけているのか？ データサイエンスとは？という基礎から、実際にデータ分析するために必要なパソコンの知識、プログラミングの基礎、機械学習、画像解析まで。 気鋭の若手研究者による、データサイエンス入門の一冊。 【本書の目次】 第１部　データサイエンスの基本●(1)データサイエンスとは？ 第２部　データサイエンスの基礎技術●(2)計算機の仕組み／(3)プログラミングの基礎（１）／(4)プログラミングの基礎（２）／(5)アルゴリズム（１）／(6)アルゴリズム（２）／(7)データベース／(8)最適化の方法 第３部　統計学・機械学習の基礎●(9)機械学習の基本／(10)過学習とモデル選択／(11)回帰問題と住宅価格／(12)アンサンブル学習と住宅価格／(13)分類問題／(14)教師なし学習 第４部　コーパスとネットワークの分析●(15)トピックモデル／(16)ネットワーク分析 第５部　ディープラーニング●(17)ニューラルネットワークの基礎／(18)ディープラーニング／(19)ディープラーニングによる系列データ分析／(20)ディープラーニングによる画像分析 世界最先端の企業が喉から手が出るほど欲しい人材のひとつ、「データサイエンティスト」。この職につく人々が身につけるべき知識とはいったい何なのか。最先端のデータ分析の手法を基礎からざっと学べる１冊！ 第１部　データサイエンスの基本●(1)データサイエンスとは？ 第２部　データサイエンスの基礎技術●(2)計算機の仕組み／(3)プログラミングの基礎（１）／(4)プログラミングの基礎（２）／(5)アルゴリズム（１）／(6)アルゴリズム（２）／(7)データベース／(8)最適化の方法 第３部　統計学・機械学習の基礎●(9)機械学習の基本／(10)過学習とモデル選択／(11)回帰問題と住宅価格／(12)アンサンブル学習と住宅価格／(13)分類問題／(14)教師なし学習 第４部　コーパスとネットワークの分析●(15)トピックモデル／(16)ネットワーク分析 第５部　ディープラーニング●(17)ニューラルネットワークの基礎／(18)ディープラーニング／(19)ディープラーニングによる系列データ分析／(20)ディープラーニングによる画像分析

最適化、確率・統計などの基本的な計算から、ハミルトニアンモンテカルロ法、階層ベイズ、状態空間モデルの原理までを丁寧に解説！ ◆◆数式とコードの距離が近いJuliaで一生モノの考え方を身につけよう！◆◆ 線形代数、微積分、最適化、確率・統計の基本的な計算から、 ハミルトニアンモンテカルロ法、階層ベイズ、状態空間モデルの原理までをていねいに解説！ [サポートページ] https://github.com/sammy-suyama/JuliaBayesBook [主な内容] 第1章　Juliaの基礎 1.1　Juliaとは 1.2　基本文法 1.3　パッケージの利用 1.4　グラフの描画 第2章　数値計算の基礎 2.1　ベクトル・行列計算 2.2　統計量の計算 2.3　統計量と確率分布のパラメータ 2.4　微分計算 2.5　関数の最適化 2.6　最適化によるカーブフィッティング 2.7　積分計算 第3章　確率計算の基礎 3.1　表を使った確率計算 3.2　式を使った確率計算 3.3　連続値における周辺分布と条件付き分布 3.4　確率的試行のシミュレーション 第4章　確率分布の基礎 4.1　確率分布とは 4.2　Juliaでの確率分布の扱い（Distributions.jl） 4.3　離散型確率分布 4.4　連続型確率分布 4.5　統計モデルの設計 第5章　統計モデリングと推論 5.1　ベルヌーイモデル 5.2　線形回帰 5.3　ロジスティック回帰モデル 第6章　勾配を利用した近似推論手法 6.1　なぜ勾配を利用するのか 6.2　ラプラス近似 6.3　ハミルトニアンモンテカルロ法 第7章　発展的な統計モデル 7.1　ポアソン回帰 7.2　階層ベイズモデル 7.3　状態空間モデル 第1章　Juliaの基礎 1.1　Juliaとは 1.2　基本文法 1.3　パッケージの利用 1.4　グラフの描画 第2章　数値計算の基礎 2.1　ベクトル・行列計算 2.2　統計量の計算 2.3　統計量と確率分布のパラメータ 2.4　微分計算 2.5　関数の最適化 2.6　最適化によるカーブフィッティング 2.7　積分計算 第3章　確率計算の基礎 3.1　表を使った確率計算 3.2　式を使った確率計算 3.3　連続値における周辺分布と条件付き分布 3.4　確率的試行のシミュレーション 第4章　確率分布の基礎 4.1　確率分布とは 4.2　Juliaでの確率分布の扱い（Distributions.jl） 4.3　離散型確率分布 4.4　連続型確率分布 4.5　統計モデルの設計 第5章　統計モデリングと推論 5.1　ベルヌーイモデル 5.2　線形回帰 5.3　ロジスティック回帰モデル 第6章　勾配を利用した近似推論手法 6.1　なぜ勾配を利用するのか 6.2　ラプラス近似 6.3　ハミルトニアンモンテカルロ法 第7章　発展的な統計モデル 7.1　ポアソン回帰 7.2　階層ベイズモデル 7.3　状態空間モデル

個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を… 個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を学ぶ

Now in its third edition, this classic book is widely considered the leading text on Bayesian methods, lauded for its accessible, practical approach to analyzing data and solving research problems. Bayesian Data Analysis, Third Edition continues to take an applied approach to analysis using up-to-date Bayesian methods. The authors-all leaders in the statistics community-introduce basic concepts from a data-analytic perspective before presenting advanced methods. Throughout the text, numerous worked examples drawn from real applications and research emphasize the use of Bayesian inference in practice. New to the Third Edition Four new chapters on nonparametric modeling Coverage of weakly informative priors and boundary-avoiding priors Updated discussion of cross-validation and predictive information criteria Improved convergence monitoring and effective sample size calculations for iterative simulation Presentations of Hamiltonian Monte Carlo, variational Bayes, and expectation propagation New and revised software code The book can be used in three different ways. For undergraduate students, it introduces Bayesian inference starting from first principles. For graduate students, the text presents effective current approaches to Bayesian modeling and computation in statistics and related fields. For researchers, it provides an assortment of Bayesian methods in applied statistics. Additional materials, including data sets used in the examples, solutions to selected exercises, and software instructions, are available on the book's web page. FUNDAMENTALS OF BAYESIAN INFERENCE Probability and Inference Single-Parameter Models Introduction to Multiparameter Models Asymptotics and Connections to Non-Bayesian Approaches Hierarchical Models FUNDAMENTALS OF BAYESIAN DATA ANALYSIS Model Checking Evaluating, Comparing, and Expanding Models Modeling Accounting for Data Collection Decision Analysis ADVANCED COMPUTATION Introduction to Bayesian Computation Basics of Markov Chain Simulation Computationally Efficient Markov Chain Simulation Modal and Distributional Approximations REGRESSION MODELS Introduction to Regression Models Hierarchical Linear Models Generalized Linear Models Models for Robust Inference Models for Missing Data NONLINEAR AND NONPARAMETRIC MODELS Parametric Nonlinear Models Basic Function Models Gaussian Process Models Finite Mixture Models Dirichlet Process Models APPENDICES A: Standard Probability Distributions B: Outline of Proofs of Asymptotic Theorems C: Computation in R and Stan Bibliographic Notes and Exercises appear at the end of each chapter.

ネットワーク分析