PyMC로 구현한 Bayesian 추론: Markov chain, MCMC, HMC/NUT, VI, SCM, Copula, Gaussian Process, HSGP

제1장 Posterior와 내용 요약
1.1 베이지안 추론
1.2 중요 Keyword와 내용 요약

제2장 Conjugate prior와 Markov Chain의 수렴 조건
2.1 Conjugate priors
2.2 MarKov Chain의 수렴 조건

제3장 Bayesian 추론을 위한 Markov Chain Monte Carlo와 Variational Inference
3.1 Metropolis-Hastings
3.2 Blockwise Metropolis-Hastings
3.3 Slice Sampler
3.4 Hamiltonian Markov Chain
3.5 NUTS(No-U-Turn Sampler)
3.6 Variational Inference
3.7 MCMC 및 VI의 비교

제4장 PyMC
4.1 PyMC의 기본 절차
4.2 계층적 베이지안 모형의 비교
4.3 PyMC의 sampler
4.4 PyMC에서의 sampler의 선택
4.5 Sampler의 비교
4.6 다변량자료와 범주형 자료의 적용

제5장 규제화를 위한 prior, 결측치 대체, 모형진단 및 비중심화
5.1 Priors
5.2 Prior의 적용
5.3 결측치 대체
5.4 모형 진단
5.5 비중심 모수화와 베이지안 분석을 위한 WorkFlow

제6장 인과관계 추론
6.1 인과관계 모형
6.2 SCM 및 CBN
6.3 개입
6.4 반사실적 추론
6.5 PyMC를 이용한 SCM(CBN)의 적용
6.6 구조방정식 모형

제7장 Copula
7.1 Sklar 정리
7.2 Copula의 종류
7.3 PyMC를 이용한 Archimedian Copula의 적용
7.4 Gaussian copula와 T-copula의 적용
7.5 혼합형 데이터에 대한 copula
7.6 Copula를 이용한 혼합형 데이터분석

제8장 가우지안 과정
8.1 가우지안 과정의 정의
8.2 커널
8.3 다변량 가우지안 과정
8.4 HSGP와 Gaussian Copula
8.5 베이지안 GP의 적용

참고문헌
찾아보기"

박유성 ● 고려대학교 정경대학 통계학과 졸업
● 고려대학교 대학원 석사과정 졸업(통계학 전공)
● 미국 조지아대학교 대학원 졸업(통계학 박사)
● 현재 고려대학교 명예교수