Depende de cuán profundamente desees entenderlo.
Solía ser bastante difícil aprender estadísticas bayesianas, pero las cosas han cambiado radicalmente en los últimos años. Primero, hay programas como STATA, SAS, MLWIN y otros, que le permiten simplemente elegir “Bayes” como método para estimar su modelo. Realizan la estimación automáticamente y proporcionan resultados familiares, con la oportunidad de que usted pueda “profundizar” y ver más información si lo desea.
También hay programas como WinBUGS y STAN, ambos gratuitos, que le permiten hacer su propia programación bayesiana sin tener que derivar todas las densidades complicadas que solían ser el punto de conflicto para todos. STAN es nuevo y utiliza el Hamiltoniano Monte Carlo para reducir radicalmente la autocorrelación en los sorteos de parámetros, haciendo que todo el proceso sea más eficiente y reduciendo la necesidad de extraer de distribuciones “agradables” o usar anteriores conjugados.
- ¿Es factible hacer una regresión logística en conjuntos de datos con miles de características sin usar una computadora de clúster? ¿Qué tal decenas de miles?
- ¿Alguien puede darme un mapa para aprender Deep learning?
- ¿Está bien usar kNN para este problema de clasificación de símbolos musicales?
- ¿Cuál es la mejor herramienta para ejecutar un código de aprendizaje automático?
- ¿Qué piensa Yoshua Bengio sobre la idea de un algoritmo de aprendizaje único?
Las pruebas de modelos en el mundo bayesiano pueden seguir siendo complicadas, así como comprobar la convergencia, pero las herramientas modernas las hacen mucho más simples que nunca. Si las computadoras fueran infinitamente rápidas, cada modelo se estimaría mediante métodos bayesianos, ya que se obtiene la distribución exacta (conjunta) de todos sus parámetros, no solo estimaciones puntuales bajo ciertos supuestos asintóticos.
