В дополнение к предложениям других людей я рекомендовал бы или получение копии SICP, или чтение его онлайн . Это - одна из нескольких книг, что я считал, что чувствую значительно , увеличил мой навык в разработке программного обеспечения, особенно в создании хороших уровней абстракции.
книга А, которая не является непосредственно связана с программированием, но является также хорошим чтением для программистов (IMO), Конкретная Математика . Большинство, если не все темы в нем полезны для программистов для знания о, и это делает лучшее задание объяснения вещей, чем какая-либо другая книга по математике, которую я прочитал до настоящего времени.
Вот четыре книги по иерархическому моделированию и байесовскому анализу, написанные с помощью кода R.
Иерархическое моделирование и анализ пространственных данных (монографии по статистике и прикладной вероятности) (в твердом переплете) http://www.amazon.com/gp/product/158488410X
Анализ данных с использованием регрессии и многоуровневых / иерархических моделей (мягкая обложка) http://www.amazon.com/Analysis-Regression-Multilevel-Hierarchical-Models/dp/052168689X/ref=pd_sim_b_1
Байесовские вычисления с R (использовать R) (мягкая обложка) http://www.amazon.com/Bayesian-Computation-R-Use/dp/0387922970/ref=pd_bxgy_b_img_c
Иерархическое моделирование для наук об окружающей среде: статистические методы и приложения (Oxford Biology) (в мягкой обложке) ( Я предполагаю, что у этого есть код R, поскольку оба автора широко используют R)
Я знаю, что некоторые книги по питону занимаются многовариантным анализом (например, Коллективный разум), но я не видел ни одной, которая бы действительно углублялась в байесовское или иерархическое моделирование .
Есть вспомогательные пакеты OpenBUGS и R. Посетите сайт Гельмана, чтобы найти его книгу, где есть большинство соответствующих ссылок:
На со стороны Python я знаю только PyMC:
РЕДАКТИРОВАТЬ: добавлена ссылка на соответствующее приложение из книги Гельмана, доступны в Интернете, например, с использованием R и BUGS.
В пакете lme4, который оценивает иерархические модели с использованием частотных методов, есть функция под названием mcmcsamp, которая позволяет выполнять выборку из апостериорного распространение модели с помощью MCMC. В настоящее время это, к сожалению, работает только для линейных моделей.
В MCMCpack для R есть несколько иерархических моделей, которые, на мой взгляд, Knowledge - самый быстрый образец для многих распространенных типов моделей. (Я написал в ней модель [иерархический элемент ответа] [2].)
[RJAGS] [3] делает то, на что похоже его название. Создайте кодированную модель .bug со вкусом зубцов, предоставьте данные в R и вызовите Jags из R.
в python, попробуйте PyMC. Здесь есть пример многоуровневого моделирования: http://groups.google.com/group/pymc/browse_thread/thread/c6ce37a80edf7f85/1bfd9138c8db891d
Я применяю иерархические байесовские модели в R в сочетании с JAGS (Linux) или иногда WinBUGS (Windows или Wine). Посмотрите книгу Эндрю Гельмана, о которой говорилось выше.