Ｐｙｔｈｏｎによるベイズ統計モデリング―ＰｙＭＣでのデータ分析実践ガイド

マーティン，オズワルド【著】〈Ｍａｒｔｉｎ，Ｏｓｖａｌｄｏ〉/金子 武久【訳】

共立出版（2018/06発売）

• サイズ B5判／ページ数 296p／高さ 24cm
• 商品コード 9784320113374
• NDC分類 417
• Cコード C3041

出版社内容情報

確率プログラミングのライブラリPyMC3を使ったベイズ統計モデリングの基本を，シンプルなデータを用いて実践的に解説。次のことが学べます。

● ベイズ統計モデリングの概念を理解する
● PyMC3を使って統計モデルを構築する
● モデルの健全性をチェックし，必要に応じてモデルを修正・拡張する
● どのモデルを用いたらよいかを決定する
● モデルに階層構造を組み入れて活用する
● 回帰分析を使って，目的としている連続的な結果変数を予測する
● ロジスティック回帰やソフトマックス回帰を用いて判別する

　本書ではPythonのインストールからPyMC3による統計モデルの実装，チェック，拡張まで解説しています。理論的な説明は必要最小限にして，また数式による説明は概念をより理解できる場合に限っています。Pythonプログラミングやベイズ統計学についての知識がほとんどない人でも，本書のコードを実行することを通して，ベイズ統計モデリングの概念やデータ分析にベイズ統計をどう応用するか，といったことが実践的に学べるでしょう。
　本書ではとくにベイズ流の回帰分析の考え方を詳しく紹介しています。回帰や判別の問題では一般化線形モデルを扱い，さらに混合モデルや階層モデルも取り上げます。モデル選択については，情報量規準としてAIC，DIC，WAIC，LOOなど，またベイズファクターについても解説しています。最終章では，ノンパラメトリックモデル，カーネルベースモデル，ガウス過程といった高度な話題についても入門的な解説をしています。
　なお，原著にあった誤記やコードの不具合は，原著者に確認した上で修正してあります。また，訳者がPyMC3を使用して，本書に掲載されているすべてのコードがWindows，Mac，Linux上で動作することを確認しました。さらに，Windows上でこれらのコードを動作させるためのヒントも「訳者まえがき」に記載しました。
[原著：Bayesian Analysis with Python]

第1章　確率的に考える?ベイジアン推論入門
1.1　モデリングの一つの方式としての統計学
1.2　確率と不確実性
1.3　単一パラメータ推論
1.4　ベイジアン分析の情報伝達
1.5　事後予測チェック
1.6　まとめ
1.7　演習

第2章　確率プログラミング?PyMC3入門
2.1　確率プログラミング
2.2　PyMC3入門
2.3　事後分布の要約
2.4　まとめ
2.5　続けて読みたい文献
2.6　演習

第3章　複数パラメータの取り扱いと階層モデル
3.1　迷惑パラメータと周辺化された分布
3.2　あらゆるところで正規性
3.3　グループ間の比較
3.4　階層モデル
3.5　まとめ
3.6　続けて読みたい文献
3.7　演習

第4章　線形回帰モデルによるデータの理解と予測
4.1　線形単回帰
4.2　頑健線形回帰
4.3　階層線形回帰
4.4　多項式回帰
4.5　線形重回帰
4.6　glmモジュール
4.7　まとめ
4.8　続けて読みたい文献
4.9　演習

第5章　ロジスティック回帰による結果変数の分類
5.1　ロジスティック回帰
5.2　多重ロジスティック回帰
5.3　判別モデルと生成モデル
5.4　まとめ
5.5　続けて読みたい文献
5.6　演習

第6章　モデル比較
6.1　オッカムのカミソリ?単純さと精度
6.2　事前分布の正則化
6.3　予測精度
6.4　ベイズファクター
6.5　ベイズファクターと情報量規準
6.6　まとめ
6.7　続けて読みたい文献
6.8　演習

第7章　混合モデル
7.1　混合モデル
7.2　モデルベースクラスタリング
7.3　連続型混合モデル
7.4　まとめ
7.5　続けて読みたい文献
7.6　演習

第8章　ガウス過程
8.1　ノンパラメトリック統計学
8.2　カーネルベースモデル
8.3　ガウス過程
8.4　まとめ
8.5　続けて読みたい文献
8.6　演習

訳者あとがき
著者とレビューアについて
索引

Osvaldo Martin［オズワルド マーティン］
著・文・その他

金子 武久［カネコ タケヒサ］
翻訳

内容説明

確率プログラミングのライブラリＰｙＭＣ３を使ったベイズ統計モデリングの基本をシンプルなデータを使って実践的に解説。次のことが学べます。「ベイズ統計モデリングの概念を理解する」「ＰｙＭＣ３を使って統計モデルを構築する」「モデルの健全性をチェックし、必要に応じてモデルを修正する」「モデルに階層構造を組み入れて、階層モデルを活用する」「回帰分析を使って、目的としている連続的な結果変数を予測する」

目次

第１章　確率的に考える―ベイジアン推論入門
第２章　確率プログラミング―ＰｙＭＣ３入門
第３章　複数パラメータの取り扱いと階層モデル
第４章　線形回帰モデルによるデータの理解と予測
第５章　ロジスティック回帰による結果変数の分類
第６章　モデル比較
第７章　混合モデル
第８章　ガウス過程

著者等紹介

金子武久［カネコタケヒサ］
学歴：１９８５年明治学院大学経済学部卒業。１９９２年早稲田大学大学院商学研究科博士後期課程単位取得退学。職歴：１９９２年松山大学、１９９６年創価大学、２００８年国士舘大学。２０１６年８月～２０１７年８月英国エセックス大学アナリティクスとデータサイエンス研究所（Ｉｎｓｔｉｔｕｔｅ　ｆｏｒ　Ａｎａｌｙｔｉｃｓ　ａｎｄ　Ｄａｔａ　Ｓｃｉｅｎｃｅ）客員研究員。２０１８年国士舘大学経営学部教授（本データはこの書籍が刊行された当時に掲載されていたものです）
※書籍に掲載されている著者及び編者、訳者、監修者、イラストレーターなどの紹介情報です。

感想・レビュー

※以下の感想・レビューは、株式会社ブックウォーカーの提供する「読書メーター」によるものです。

[Thinking_sketch_book]

★★★★★　自分にあった非常に良い本でした。ベイズ統計モデリングを動かしたいけどRは得意ではないという人に非常に良いです。内容は犬本よりも浅いのですが、pymc3を使ったコードがわかるのが良いです。

2018/10/07

[shin_ash]

コンサル紛いの職務で支援先の事業部に階層ベイズモデルを解いてもらう必要に迫られた。階層ベイズで事業部の問題が解決できることや概ねどう言った確率モデルになるかは見当がつくものの、実際のMCMCの実装を説明できるスキルはない。そこで色々と使いやすそうなPyMC3に目をつけ取説がわりに読んでみた。雑な斜め読みではコードの意味がわからなくなるので、真面目に読むことになったがベイズ統計の復習になった上にコードの書き方も何と無く見えてきた。更にガウス過程回帰の解説があるのでカーネルの理解とガウス過程の理解が深まった。

2021/11/23

[yyhhyy]

ベイズ統計をPymc3を使って紹介。事前分布の例もそこそこあり丁寧。2018年の本だが最新のコードと異なるところはエラー検索でフォローできるレベル。直訳調は読み辛いかもしれないが日本語文献が少ないので大変ありがたい。

2022/11/23

[好奇心の横断歩道を渡る！]

mp.sample()で、本書では引数njobsを使っているが、私の環境では「そんな引数は存在しない」的なエラーを吐いたので、coresで代用した。PyMC3でMCMC(マルコフ連鎖モンテカルロ)入門するなら、とてもいい本だと思います。自己相関なんて、今まで考えたこともなかったなぁ。mp.Deterministicは偉大。

2021/02/16

[ふくろう]

Pythonでベイズモデルをまわしてみたくて購入し、すべてのコードを手入力した。確かに理解は早かったと思う。でもところどころコードに間違いや抜けがあるのが残念だった。またこの本が軸にしているMCMCサンプラーのライブラリpymc3はすでに最新のAnaconda3.7では対応していない。Google Colabでやればいいのかもしれないけど、これからはTensorFlow_Probabilityとかがいいのかも。

2019/04/22