베이지안 방법과 확률 프로그래밍, 이 모든 것을 파이썬으로!
수학 없이 파이썬 코드로 이해한다.
수식을 설명하지 않는다. 컴퓨터를 이용한 이해가 최우선이다. 베이지안에서 사용하는 MCMC 모델, 손실함수, A/B 테스팅 등을 파이썬 코드로 구현해보면서 내용을 이해하고 활용 방법을 익힌다. 결과적으로 베이지안 추론이 무엇이고, 다른 통계적 추론과 어떤 차이가 있는지 이해한다.
계산 문제 대신 실생활 문제를 풀어본다.
실생활 문제를 사용하여 베이지안 수학과 확률 프로그래밍을 연결시킨다. 문자 메시지 데이터에서 사용자 행동 추론하기, 학생들의 부정행위 빈도 추론하기, 캐글의 미국 인구조사 회신율 챌린지 도전하기 같은 예제를 베이지안 방법으로 풀어본다.
PyMC + 주피터노트북으로 데이터를 시각화해서 파악한다.
PyMC라는 파이썬 라이브러리로 베이지안 통계 모델링과 확률적 기계학습을 구현한다. 파이썬 코드를 쉽게 입력, 수정, 삭제하고, 실행 결과와 그래프를 바로 볼 수 있도록 주피터노트북을 사용한다.
목차
1장 베이지안 추론의 철학
__1.1 서론
____1.1.1 베이지안 심리 상태
____1.1.2 실제 베이지안 추론
____1.1.3 빈도주의자의 방법이 틀렸나?
____1.1.4 빅데이터에 대한 논의
__1.2 베이지안 프레임워크
____1.2.1 예제: 피해갈 수 없는 동전 던지기
____1.2.2 예제: 사서일까, 농부일까?
__1.3 확률분포
____1.3.1 이산적인 경우
____1.3.2 연속적인 경우
____1.3.3 그럼 λ란 무엇인가?
__1.4 컴퓨터를 사용하여 베이지안 추론하기
____1.4.1 예제: 문자 메시지 데이터에서 행동 추론하기
____1.4.2 우리의 첫 번째 망치를 소개한다: PyMC
____1.4.3 해석
____1.4.4 사후확률분포에서 얻은 표본에는 어떤 좋은 점이 있는가?
__1.5 결론
__1.6 부록
____1.6.1 두 λ가 정말 다른지 통계적으로 알 수 있나?
____1.6.2 변환점 두 개로 확장하기
__1.7 연습문제
____1.7.1 해답
__1.8 참고자료
2장 PyMC 더 알아보기
__2.1 서론
____2.1.1 부모와 자식 관계
____2.1.2 PyMC 변수
____2.1.3 모델에 관측 포함하기
____2.1.4 마지막으로
__2.2 모델링 방법
____2.2.1 같은 스토리, 다른 결말
____2.2.2 예제: 베이지안 A/B 테스트
____2.2.3 간단한 예제
____2.2.4 A와 B를 묶어 보기
____2.2.5 예제: 거짓말에 대한 알고리즘
____2.2.6 이항분포
____2.2.7 예제: 학생들의 부정행위
____2.2.8 PyMC 대안 모델
____2.2.9 더 많은 PyMC 기법들
____2.2.10 예제: 우주 왕복선 챌린저호 참사
____2.2.11 정규분포
____2.2.12 챌린저호 참사 당일에는 무슨 일이 일어났는가?
__2.3 우리의 모델이 적절한가?
____2.3.1 분리도표
__2.4 결론
__2.5 부록
__2.6 연습문제
____2.6.1 해답
__2.7 참고자료
3장 MCMC 블랙박스 열기
__3.1 베이지안 지형
____3.1.1 MCMC를 사용하여 지형 탐색하기
____3.1.2 MCMC 수행 알고리즘
____3.1.3 사후확률분포에 대한 다른 접근법
____3.1.4 예제: 혼합모델을 사용한 비지도 클러스터링
____3.1.5 사후확률분포의 표본을 섞지 마라
____3.1.6 MAP을 사용하여 수렴 개선하기
__3.2 수렴 판정하기
____3.2.1 자기상관
____3.2.2 솎아내기
____3.2.3 pymc.Matplot.plot()
__3.3 MCMC에 대한 유용한 팁
____3.3.1 지능적인 시작값
____3.3.2 사전분포
____3.3.3 통계적 계산에 대한 구전 정리
__3.4 결론
__3.5 참고자료
4장 아무도 알려주지 않는 위대한 이론
__4.1 서론
__4.2 큰 수의 법칙
____4.2.1 직관
____4.2.2 예제: 푸아송 확률변수의 수렴
____4.2.3 Var(Z)를 어떻게 계산할까?
____4.2.4 기댓값과 확률
____4.2.5 이 모든 것이 베이지안 통계와 무슨 상관이 있을까?
__4.3 작은 수의 혼란
____4.3.1 예제: 통합된 지리 데이터
____4.3.2 예제: 캐글의 미국 인구조사 우편물 회신율 챌린지
____4.3.3 예제: 레딧 코멘트 정렬하기/추려내기
____4.3.4 추리기
____4.3.5 그러나 이 방법은 실시간에서는 너무 느리다
____4.3.6 별등급 시스템 확장
__4.4 결론
__4.5 부록
____4.5.1 코멘트를 추리는 수식 유도
__4.6 연습문제
____4.6.1 해답
__4.7 참고자료
5장 오히려 큰 손해를 보시겠습니까?
__5.1 서론
__5.2 손실함수
____5.2.1 현실 세계에서의 손실함수
____5.2.2 예제: ‘The Price Is Right’ 쇼케이스 최적화
__5.3 베이지안 방법을 통한 기계학습
____5.3.1 예제: 금융예측
____5.3.2 예제: 캐글의 Observing Dark Worlds 콘테스트
____5.3.3 데이터
____5.3.4 사전확률
____5.3.5 훈련과 PyMC 구현
__5.4 결론
__5.5 참고자료
6장 우선순위 바로잡기
__6.1 서론
__6.2 주관적인 사전확률분포 vs. 객관적인 사전확률분포
____6.2.1 객관적인 사전확률분포
____6.2.2 주관적인 사전확률분포
____6.2.3 결정, 결정…
____6.2.4 경험적 베이즈
__6.3 알아두면 유용한 사전확률분포
____6.3.1 감마분포
____6.3.2 위샤트분포
____6.3.3 베타분포
__6.4 예제: 베이지안 MAB(Multi-Armed Bandits)
____6.4.1 응용
____6.4.2 솔루션 제안
____6.4.3 적합의 척도
____6.4.4 알고리즘 확장하기
__6.5 해당 분야 전문가로부터 사전확률분포 유도하기
____6.5.1 트라이얼 룰렛법
____6.5.2 예제: 주식수익률
____6.5.3 위샤트분포를 위한 팁
__6.6 켤레 사전확률분포
__6.7 제프리 사전확률분포
__6.8 N이 증가할 때 사전확률분포의 효과
__6.9 결론
__6.10 부록
____6.10.1 벌점화 회귀부모형에 대한 베이지안의 관점
____6.10.2 퇴화 사전확률분포 고르기
__6.11 참고자료
7장 베이지안 A/B 테스트
__7.1 서론
__7.2 전환율 테스트 개요
__7.3 선형손실함수 추가하기
____7.3.1 기대수익분석
____7.3.2 A/B 실험 확장하기
__7.4 전환율을 넘어서: t-검정
____7.4.1 t-검정 설정
__7.5 증분 추정하기
____7.5.1 점추정량 만들기
__7.6 결론
__7.7 참고자료
부록 A
__A.1 파이썬, PyMC
____A.1.1 아나콘다 설치하기
____A.1.2 실습 전 라이브러리 설치하기
__A.2 주피터 노트북
____A.2.1 예제 소스 다운로드
____A.2.2 주피터 노트북 실행
__A.3 Reddit 실습하기
____A.3.1 praw 설치하기
____A.3.2 Reddit 가입하기
용어집
찾아보기
더보기접기
__1.1 서론
____1.1.1 베이지안 심리 상태
____1.1.2 실제 베이지안 추론
____1.1.3 빈도주의자의 방법이 틀렸나?
____1.1.4 빅데이터에 대한 논의
__1.2 베이지안 프레임워크
____1.2.1 예제: 피해갈 수 없는 동전 던지기
____1.2.2 예제: 사서일까, 농부일까?
__1.3 확률분포
____1.3.1 이산적인 경우
____1.3.2 연속적인 경우
____1.3.3 그럼 λ란 무엇인가?
__1.4 컴퓨터를 사용하여 베이지안 추론하기
____1.4.1 예제: 문자 메시지 데이터에서 행동 추론하기
____1.4.2 우리의 첫 번째 망치를 소개한다: PyMC
____1.4.3 해석
____1.4.4 사후확률분포에서 얻은 표본에는 어떤 좋은 점이 있는가?
__1.5 결론
__1.6 부록
____1.6.1 두 λ가 정말 다른지 통계적으로 알 수 있나?
____1.6.2 변환점 두 개로 확장하기
__1.7 연습문제
____1.7.1 해답
__1.8 참고자료
2장 PyMC 더 알아보기
__2.1 서론
____2.1.1 부모와 자식 관계
____2.1.2 PyMC 변수
____2.1.3 모델에 관측 포함하기
____2.1.4 마지막으로
__2.2 모델링 방법
____2.2.1 같은 스토리, 다른 결말
____2.2.2 예제: 베이지안 A/B 테스트
____2.2.3 간단한 예제
____2.2.4 A와 B를 묶어 보기
____2.2.5 예제: 거짓말에 대한 알고리즘
____2.2.6 이항분포
____2.2.7 예제: 학생들의 부정행위
____2.2.8 PyMC 대안 모델
____2.2.9 더 많은 PyMC 기법들
____2.2.10 예제: 우주 왕복선 챌린저호 참사
____2.2.11 정규분포
____2.2.12 챌린저호 참사 당일에는 무슨 일이 일어났는가?
__2.3 우리의 모델이 적절한가?
____2.3.1 분리도표
__2.4 결론
__2.5 부록
__2.6 연습문제
____2.6.1 해답
__2.7 참고자료
3장 MCMC 블랙박스 열기
__3.1 베이지안 지형
____3.1.1 MCMC를 사용하여 지형 탐색하기
____3.1.2 MCMC 수행 알고리즘
____3.1.3 사후확률분포에 대한 다른 접근법
____3.1.4 예제: 혼합모델을 사용한 비지도 클러스터링
____3.1.5 사후확률분포의 표본을 섞지 마라
____3.1.6 MAP을 사용하여 수렴 개선하기
__3.2 수렴 판정하기
____3.2.1 자기상관
____3.2.2 솎아내기
____3.2.3 pymc.Matplot.plot()
__3.3 MCMC에 대한 유용한 팁
____3.3.1 지능적인 시작값
____3.3.2 사전분포
____3.3.3 통계적 계산에 대한 구전 정리
__3.4 결론
__3.5 참고자료
4장 아무도 알려주지 않는 위대한 이론
__4.1 서론
__4.2 큰 수의 법칙
____4.2.1 직관
____4.2.2 예제: 푸아송 확률변수의 수렴
____4.2.3 Var(Z)를 어떻게 계산할까?
____4.2.4 기댓값과 확률
____4.2.5 이 모든 것이 베이지안 통계와 무슨 상관이 있을까?
__4.3 작은 수의 혼란
____4.3.1 예제: 통합된 지리 데이터
____4.3.2 예제: 캐글의 미국 인구조사 우편물 회신율 챌린지
____4.3.3 예제: 레딧 코멘트 정렬하기/추려내기
____4.3.4 추리기
____4.3.5 그러나 이 방법은 실시간에서는 너무 느리다
____4.3.6 별등급 시스템 확장
__4.4 결론
__4.5 부록
____4.5.1 코멘트를 추리는 수식 유도
__4.6 연습문제
____4.6.1 해답
__4.7 참고자료
5장 오히려 큰 손해를 보시겠습니까?
__5.1 서론
__5.2 손실함수
____5.2.1 현실 세계에서의 손실함수
____5.2.2 예제: ‘The Price Is Right’ 쇼케이스 최적화
__5.3 베이지안 방법을 통한 기계학습
____5.3.1 예제: 금융예측
____5.3.2 예제: 캐글의 Observing Dark Worlds 콘테스트
____5.3.3 데이터
____5.3.4 사전확률
____5.3.5 훈련과 PyMC 구현
__5.4 결론
__5.5 참고자료
6장 우선순위 바로잡기
__6.1 서론
__6.2 주관적인 사전확률분포 vs. 객관적인 사전확률분포
____6.2.1 객관적인 사전확률분포
____6.2.2 주관적인 사전확률분포
____6.2.3 결정, 결정…
____6.2.4 경험적 베이즈
__6.3 알아두면 유용한 사전확률분포
____6.3.1 감마분포
____6.3.2 위샤트분포
____6.3.3 베타분포
__6.4 예제: 베이지안 MAB(Multi-Armed Bandits)
____6.4.1 응용
____6.4.2 솔루션 제안
____6.4.3 적합의 척도
____6.4.4 알고리즘 확장하기
__6.5 해당 분야 전문가로부터 사전확률분포 유도하기
____6.5.1 트라이얼 룰렛법
____6.5.2 예제: 주식수익률
____6.5.3 위샤트분포를 위한 팁
__6.6 켤레 사전확률분포
__6.7 제프리 사전확률분포
__6.8 N이 증가할 때 사전확률분포의 효과
__6.9 결론
__6.10 부록
____6.10.1 벌점화 회귀부모형에 대한 베이지안의 관점
____6.10.2 퇴화 사전확률분포 고르기
__6.11 참고자료
7장 베이지안 A/B 테스트
__7.1 서론
__7.2 전환율 테스트 개요
__7.3 선형손실함수 추가하기
____7.3.1 기대수익분석
____7.3.2 A/B 실험 확장하기
__7.4 전환율을 넘어서: t-검정
____7.4.1 t-검정 설정
__7.5 증분 추정하기
____7.5.1 점추정량 만들기
__7.6 결론
__7.7 참고자료
부록 A
__A.1 파이썬, PyMC
____A.1.1 아나콘다 설치하기
____A.1.2 실습 전 라이브러리 설치하기
__A.2 주피터 노트북
____A.2.1 예제 소스 다운로드
____A.2.2 주피터 노트북 실행
__A.3 Reddit 실습하기
____A.3.1 praw 설치하기
____A.3.2 Reddit 가입하기
용어집
찾아보기
저자
ㆍ지은이 곽승주
- 지은이 소개
- 한양대학교 경제학 석사 학위를 받았다. 은행과 자산운용사의 리스크, 컴플라이언스, 헤지펀드 부서에서 리스크 및 펀드성과 리포팅, 주식 및 선물운용 및 계량분석, ELS 평가 및 백테스팅, 백오피스 업무자동화 등을 위한 업무를 맡았고, 관련 소프트웨어를 개발하였다. 현재는 금융 관련 소프트웨어 개발에 집중하고 있다. 선물 알고리즘 트레이딩 서비스를 개발하는 중이며, 개인 홈페이지는 calabico.wordpress.com이다.
ㆍ지은이 캐머런데이비슨필론
- 지은이 소개
- 캐머런은 캐나다 온타리오 주 궬프에서 성장하였으며 워털루대학교와 모스크바독립대학에서 수학하였다. 유전자와 질병의 진화역학부터 금융상품 가격에 대한 확률적 모델링까지 여러 응용수학 분야를 거쳐 왔다. 현재는 온타리오 주 오타와에 살면서 온라인 상거래 선두 업체인 쇼피파이(Shopify)에서 일하고 있다.
ㆍ옮긴이 곽승주
- 옮긴이 소개
- 한양대학교 경제학 석사 학위를 받았다. 은행과 자산운용사의 리스크, 컴플라이언스, 헤지펀드 부서에서 리스크 및 펀드성과 리포팅, 주식 및 선물운용 및 계량분석, ELS 평가 및 백테스팅, 백오피스 업무자동화 등을 위한 업무를 맡았고, 관련 소프트웨어를 개발하였다. 현재는 금융 관련 소프트웨어 개발에 집중하고 있다. 선물 알고리즘 트레이딩 서비스를 개발하는 중이며, 개인 홈페이지는 calabico.wordpress.com이다.
보도자료
<시나공 토익>이 새로워지기 위해
독자 여러분의 이야기를 듣고자 합니다.
- 대 상
- <시나공 토익 950 실전 모의고사>를 구매하신 분
- 장 소
- 서울 서교동 길벗 출판사
- 인터뷰 날짜
- 9월 30일(월)이전 시간 별도 협의
- 신 청 방 법
- [신청하기] 버튼 클릭
- 신 청 기 간
- ~9월 15일(토)
참여해주신 분들께는 소정의 문화상품권을 드립니다.
구매 도서 인증
프로그래머를 위한 베이지안 with 파이썬
부가기호 확인하는 방법
- 종이책 :
-
도서 뒷표지 아래쪽에 있는 바코드의 오른쪽 위 숫자
- 전자책(eBook) :
- 전자책 앞 또는 뒷부분의 판권면 (발행인, 담당 편집자 등을 표시하는 곳) 중 ISBN 부분에 표기(예: 979-11-6050-407-1 05320로 된 곳의 뒤 다섯 자리 숫자 05320)
도서문의
프로그래머를 위한 베이지안 with 파이썬
관련 FAQ에 찾는 내용이 없으면 아래에서 '문의하기'를 클릭해 주세요.
빠른 조회
님 환영합니다! 마이길벗
알림 메시지
최근 이용 자료
내 문의/답변
내 서재
동영상 강좌
모바일 앱 설치 QR코드
구글 플레이스토어
애플 앱스토어
독자의견 남기기