旧原理，新方法：实践中的贝叶斯
旧原理，新方法：实践中的贝叶斯
在像数据科学这样以创新为重点的学科中，仅仅几年前还是前沿的方法今天可能会变得陈旧。贝叶斯统计——一套已有近三个世纪历史的原则——享有如此长的保质期，这更加引人注目。
贝叶斯定理及其衍生应用不是您在大学统计课程中学到的东西，只会被迅速归档在您记忆的遥远边缘。每天，数据科学和机器学习从业者都会很好地利用这些概念，并找到新的方法在他们的项目中利用它们。
本周，我们将研究几个展示贝叶斯方法持久力的当代用例。让我们潜入水中。
- 带有贝叶斯扭曲的 A/B 测试 . 汉娜·罗斯 出色的深入探讨清楚地解释了贝叶斯统计和频率统计之间的差异，并展示了如何使用每种方法进行 A/B 测试。然后，它在一个真实世界的例子中对他们各自的表现进行了基准测试：衡量社交媒体内容的参与度。
- 如何通过贝叶斯优化使您的模型更好地工作 .超参数调优是训练机器学习算法并最小化其损失函数的关键步骤。 卡门·阿德里安娜·马丁内斯·巴博萨 解开贝叶斯优化如何改进以前的方法，并引导我们使用 Mango 包在 Python 中实现它。
- 给你的分类任务一个贝叶斯提升 .在他的新解释器中， 米哈乌·奥列萨克 涵盖朴素贝叶斯分类器算法的基础知识（如果您不熟悉该主题，这是一个很好的起点！）。他继续建议，在某些情况下，删除算法的幼稚独立假设可以帮助您的模型提高准确性。
- 重新审视排名问题 .部分统计演练，部分动手教程， 博士罗伯特·库布勒 的文章演示了如何构建一个模型，让您对一组玩家进行排名（包括您需要的所有 Python 代码），并阐明了为什么整合先验信念（贝叶斯技术的核心方面）会导致更多强大的排名。
虽然我们中的许多人可以花几天时间研究贝叶斯，但您也可能会喜欢阅读其他主题的精彩内容。以下是我们最近的一些最爱：
- 你能 使用一种机器学习模型来增强另一种 ? 里亚切鲁武 为复合人工智能系统提供了案例。
- 艾琳·威尔逊 的新帖子使初学者可以访问复杂的工作流程：学习 如何使用 PyTorch 对 DNA 序列进行建模 .
- 德里克·姆维蒂 提供一个 全面介绍 TensorFlow 2 对象检测 API 对于任何想将其用于图像分割（当然，也用于对象检测）的人。
- 新的在线图书提醒：我们很高兴分享第一章 马蒂亚斯格林 的 自编码器的广泛介绍 .
- 免安装交互式 Python 应用程序？！是的，您也可以通过以下方式构建它们 山姆·迈诺特 的TDS首次亮相， 有用的，基于 Streamlit 的教程 .
- 了解如何使用 Apache Spark 提供 ML 模型 — Pinar Ersoy 分享患者的端到端指南。
- 不要错过 邝琳 最新的贡献，其重点是 插入大量记录的不同方法 有效地进入您的数据库。
我们喜欢与您分享出色的数据科学工作，以及您的支持—— 包括您的中型会员 ——使之成为可能。谢谢！
直到下一个变量，
TDS 编辑器
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
