Học đường đến tư duy Bayes?

Tôi có sáu năm trong vai trò kinh doanh và có bằng cử nhân vật lý và toán / chỉ số ứng dụng. "Bức tranh lớn" của Sean Carroll (Nhà vật lý Caltech) đã mở ra cho tôi ý tưởng rằng số liệu thống kê Bayes là một cách suy nghĩ hữu ích về bất cứ điều gì - chắc chắn bạn giữ trước và bạn nên cập nhật uy tín của mình khi có thêm thông tin.

Có một con đường để đào tạo trực giác của bạn để suy nghĩ theo cách này? Quan trọng, nó sẽ yêu cầu thực hành lặp đi lặp lại với các câu trả lời có thể kiểm chứng thông qua một khóa học, hoặc tự nghiên cứu bao gồm nhiều vấn đề và giải pháp. Tôi không tin chỉ đơn giản là đọc sẽ làm.

Tài nguyên có thể, khi đọc mọi câu hỏi liên quan trên trang web này, tôi có thể tìm thấy:

• "Lý thuyết xác suất" của Jaynes. Pro: phân tích; giải thích trực quan của thống kê bayes. Con: điều kiện tiên quyết; thiếu vấn đề / giải pháp.
• "Thực hiện phân tích dữ liệu Bayes" của Kruschke. Pro: bao gồm các vấn đề và các giải pháp; chỉ yêu cầu "đại số và tính toán gỉ". Con: hoạt động trong R, mà tôi nghĩ cung cấp cho việc học ít trực quan hơn so với phân tích (tôi có thể sai).

Nếu đó là con đường nhiều năm tôi cần đi, bắt đầu từ nơi khác, tôi rất vui khi làm điều đó! Lý tưởng nhất, tôi sẽ tránh các phương pháp thường xuyên, vì tôi không sử dụng chúng.

Mục tiêu của tôi không phải là trở thành một nhà khoa học, mà là tận dụng cái nhìn sâu sắc về cách thức thực tế hoạt động để vượt lên trên và vượt ra khỏi suy nghĩ đã được thiết lập trong kinh doanh.

Cảm ơn rất nhiều về sựh gợi ý!

Tôi đã bắt đầu con đường của riêng mình để hiểu cách suy nghĩ của người Bayes và tôi sẽ chia sẻ quan điểm của mình. Tôi bắt đầu đọc các bài báo kinh điển về các bộ lấy mẫu khác nhau và trải qua các dẫn xuất cho các trường hợp liên hợp, và tôi không nghĩ rằng điều đó đã đưa tôi đi rất xa. Thật vậy, giới thượng lưu sẽ tự viết mẫu và khai thác mọi cơ hội liên hợp có thể. Nhưng nếu bạn muốn có được cảm nhận tốt về cách tiếp cận và có khả năng đạt được một vài phương pháp hữu ích, có nhiều cách trực tiếp hơn.

Đề nghị của tôi là tìm một công cụ mô hình bayes tốt, đảm nhiệm việc lấy mẫu và cho phép bạn tập trung vào việc chỉ định khả năng và các linh mục . Đối với tôi, đây là Stan . Nó dựa trên một bộ lấy mẫu cụ thể không đòi hỏi nhiều sự mày mò. Hướng dẫn tham khảo và hướng dẫn sử dụng (có sẵn trên trang Tài liệu ) đọc như sách giáo khoa và bạn có thể học được rất nhiều bằng cách xem qua các ví dụ. Khi bạn có một ý tưởng cho một mô hình mới, bạn có thể thử nó và thường nhận được một cái gì đó hoạt động mà không mất quá nhiều thời gian. Bạn có thể thấy một số thử nghiệm của riêng tôi ở đây .

Chúng ta đang ở thời đại tập trung vào việc quản lý các tính toán trên các tập dữ liệu khổng lồ và phần mềm như Stan sẽ khuyến khích bạn thực hiện tính toán mạnh mẽ trên các tập dữ liệu nhỏ (tùy thuộc vào mô hình). Nhưng tôi nghĩ rằng nó đáng để dành thời gian để nghiên cứu và hiểu. Vẫn còn nhiều vấn đề "dữ liệu nhỏ" ngoài kia, và thật tuyệt khi có thể đóng khung các ý tưởng trong học máy (ví dụ, chính quy L2) trong bối cảnh bayesian (nơi thực sự có lý thuyết!).

Từ quan điểm kinh doanh của bạn, bạn có thể bị thúc đẩy bởi lý thuyết quyết định Bayes, đó là một cách để áp dụng suy luận Bayes để đưa ra quyết định trong sự không chắc chắn.

Nếu vậy, bạn sẽ thấy các chủ đề giới thiệu về phân tích Bayes thường tập trung vào (chẳng hạn như chỉ định các phân phối trước và khả năng khác nhau và thực hiện tính toán lấy mẫu hoặc dẫn xuất phân tích) chỉ đơn giản là phương tiện cuối cùng này.

Dưới đây là một số tài nguyên cụ thể về chủ đề này:

• http://www.cs.haifa.ac.il/~rita/ml_cference/lectures/Bayesian_Decision.pdf
• http://www.statsathome.com/2017/10/12/bayesian-decision-theory-ADE-ridiculiously-simple/
• https://www.cc.gatech.edu/~hic/CS7616/pdf/lecture2.pdf

Tôi đã có một khóa học về Phân tích dữ liệu Bayes trong học kỳ vừa qua. Nó giả định không có nền tảng trước. Đây là trang chủ khóa học nơi người hướng dẫn đã đặt tất cả các tài liệu: https://michael-franke.github.io/BDACM_2017/

Chúng tôi sử dụng sách giáo khoa Kruschke cho khóa học. Nó hoạt động tốt. Tôi không nghĩ có nhiều vấn đề khi làm việc ở R. Bạn vẫn hiểu cách mọi thứ hoạt động.