Jack.Xu 专栏

人生苦短，我用Python。Python真的是很好的语言，很好用，那么我们该如何入门呢？我觉得不用特别的学习，只要你有C/C++的一些知识，学习Python将不是一件很困难的事情。这样一门语言，这样一个很好地工具，应该是不需要太高的学习成本的，所以我《Python边学边用》这个系列的文章，我将边用边学，可能代码不是那么“漂亮”，代码不是那么“优雅”，但是肯定实现了功能。慢慢学，慢慢做，我会把这个工具用的越来越好。文中描述方法不一定是最好的方法，只是我才疏学浅，自己只知道这么做能做出来，所以我就这么

写在前面本文调研了网络上，主要是GitHub上，的一些基于Python或者Python可用的深度学习框架，用于对基于Python的深度学习框架的前期了解。资料完全来源于网络，文末附有所有参考链接。GitHub关注度Last Update: 2016.08.09  项 目 名 称Stars项目介绍Tens

摘要概率编程允许在用户自定义的概率模型上进行自动贝叶斯推断。新的MCMC(Markoc chain Monte Carlo)采样方法允许在复杂模型上进行推断。这类MCMC采样方法被称为HMC(Hamliltinian Monte Carlo)，但是其推断需要的梯度信息有时候是不获得的。PyMC3是一个用Python编写的开源的概率编程框架，使用Theano通过变分推理进行梯度计算，并使用了C实现加速

GLM：线性回归GLM即Generalized linear model，广义线性模型。 贝叶斯统计的一些软件工具包JAGS, BUGS, Stan 和 PyMC，使用这些工具包需要对将要简历的模型有充分的了解。线性回归的传统形式通常，频率学派将线性回归表述为： Y=Xβ+ϵ Y = X\beta + \epsilon 其中， YY 是我们期望预测的输出（因变量）； XX 是预测因子（自变量

数据产生上一篇文章中使用的是仿真数据，然而在真实数据中往往存在许多异常值，本文向仿真数据中添加一些异常值来探讨如何增加线性回归的鲁棒性。%matplotlib inlineimport pymc3 as pmimport matplotlib.pyplot as pltimport numpy as np像上一篇文章一样构造防止数据，但是添加一些异常值。size = 100true_inter

# 背景在测量中经常会出现多组相关的结果，比如在计算心理学中对同一个任务中的多个对象进行测试的结果，然后需要估计一组参数来建立一个数学模型，用来描述这个测试任务中的行为。可以对每个测试对象进行独立建模（假设其间不具有共性），也可以将所有的测试对象的结果混在一起统一建模。分层建模兼具这两种方式的优点，可以对测试对象的共性进行建模也可以对每个对象独立的参数进行估计。本文中使用经典的层次线性回归的例子来预

本文翻译至Neural Networks in PyMC3 estimated with Variational Inference(c) 2016 by Thomas Wiecki。当前机器学习趋势当前机器学习界的三大趋势：概率编程，深度学习，大数据，在概率编程（Probabilistic Programming, PP）中，许多创新让变分推理（Variational Inference）更加广泛