經驗與預測，Bayesian Inference
前言
在試著讀懂狂徒兄的文章《Black Litterman 資產配置的好武器》前，貓貓試著先了解一下作為鋪墊的文章《Bayesian 機率》。狂徒兄在文章中僅以 A,B 來代表事件，很單純地寫下貝氏定理(Bayes' theorem)，而貓貓希望稍稍換成貝氏推論(Bayesian inference)的寫法，並補上對於過去及未來的討論。
貝氏推論
(Bayesian Inference)
區分預測能力與解釋能力
預測能力 P(E|H)，在本文中為一種機率(Probability)，
而數據解釋力 P(H|E)，在本文則為概似性(Likelihood function)。
其中差別請見:
而數據解釋力 P(H|E)，在本文則為概似性(Likelihood function)。
其中差別請見:
假設討論
在本文中所作假設: 未來與過去沒什麼不同。
本身很缺乏根據，只是方便起見所作假設。
除此之外，僅以過去數據來看待未來，似乎犯了看後照鏡開車的問題。
並且，同時假設了作出假說 H 的舉動並不影響未來，然而行為本身對於事件可能的影響或許需要因果推論(Causal inference)來進一步討論。
本身很缺乏根據，只是方便起見所作假設。
除此之外，僅以過去數據來看待未來，似乎犯了看後照鏡開車的問題。
並且，同時假設了作出假說 H 的舉動並不影響未來，然而行為本身對於事件可能的影響或許需要因果推論(Causal inference)來進一步討論。
對於因果關係，似乎有本書《因果革命：人工智慧的大未來》(The Book of Why： The New Science of Cause and Effect)有作介紹。於此同時，也有人在 Youtube 上對這本書作介紹:
或許可以作為一個有趣的學習主題。
為什麼會看到廣告
留言0
查看全部
你可能也想看
Google News 追蹤
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
在「糟糕的投資方法」中，會看到投資人習慣透過「投資偏見」進行投資，這些偏見也是股票投資市場上的「迷信」。例如過度依賴技術線型、頻繁停損停利、研究總經、認為高風險高回報、或想靠多次進出迅速累積超額報酬
會說這些迷信與偏見的原因在於：這些方法雖然聽起來合理，但卻無法透過科學性的統計數據驗證是真的有效的
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
在第二章會介紹機率相關概念，這也是貫穿整本書的基礎。
2 Probability Theory
2.1 Motivation
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.4 Historical Notes
這節闡述Probabilistic Graphical Model的崛起歷史，當中尚做了
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
賽局理論聽起來很困難，日常生活中應該遇不到吧。你這樣想就錯了，日常生活當中，處處隱藏著「賽局理論」的影子，只是我們沒有察覺罷了，作者希望透過老鼠父女的角度，教大家認識日常生活中可見的「賽局理論」，然後幫助大家針對各種煩惱的事做出相對好的決策。
"管過去它做了什麼"是絕對不對的觀念，不是只有政治而已，而是為人處世必須要小心萬劫不復的陷阱。
在數學或流行病統計上有一個叫做貝氏定理，應用在觀察一個人，則相當於觀察他失去信任的過程。
大多數人總覺得「事出必有因」，這種直覺式的「因果」觀念對我們來說，是一種常見的「慣行思想」。每當遇到難以解釋的事情時，如果存在一種理由，心理便會覺得舒坦一些。一件事情沒有答案，會讓人覺得很困擾。
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
在「糟糕的投資方法」中，會看到投資人習慣透過「投資偏見」進行投資，這些偏見也是股票投資市場上的「迷信」。例如過度依賴技術線型、頻繁停損停利、研究總經、認為高風險高回報、或想靠多次進出迅速累積超額報酬
會說這些迷信與偏見的原因在於：這些方法雖然聽起來合理，但卻無法透過科學性的統計數據驗證是真的有效的
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
在第二章會介紹機率相關概念，這也是貫穿整本書的基礎。
2 Probability Theory
2.1 Motivation
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.4 Historical Notes
這節闡述Probabilistic Graphical Model的崛起歷史，當中尚做了
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
賽局理論聽起來很困難，日常生活中應該遇不到吧。你這樣想就錯了，日常生活當中，處處隱藏著「賽局理論」的影子，只是我們沒有察覺罷了，作者希望透過老鼠父女的角度，教大家認識日常生活中可見的「賽局理論」，然後幫助大家針對各種煩惱的事做出相對好的決策。
"管過去它做了什麼"是絕對不對的觀念，不是只有政治而已，而是為人處世必須要小心萬劫不復的陷阱。
在數學或流行病統計上有一個叫做貝氏定理，應用在觀察一個人，則相當於觀察他失去信任的過程。
大多數人總覺得「事出必有因」，這種直覺式的「因果」觀念對我們來說，是一種常見的「慣行思想」。每當遇到難以解釋的事情時，如果存在一種理由，心理便會覺得舒坦一些。一件事情沒有答案，會讓人覺得很困擾。