奥斯汀·罗奇福德的文章
使用项目反应理论进行NBA犯规分析
- 17 四月 2022
本教程展示了贝叶斯项目反应理论 [福克斯，2010] 在NBA篮球犯规数据中的应用，使用PyMC实现。基于Austin Rochford的博客文章 NBA Foul Calls and Bayesian Item Response Theory。
使用项目反应理论进行NBA犯规分析
- 17 四月 2022
本教程展示了贝叶斯项目反应理论 [福克斯，2010] 在NBA篮球犯规数据中的应用，使用PyMC实现。基于Austin Rochford的博客文章 NBA Foul Calls and Bayesian Item Response Theory。
NBA犯规分析与项目反应理论
- 17 四月 2022
本教程展示了贝叶斯项目反应理论 [福克斯，2010] 在NBA篮球犯规数据中的应用，使用PyMC实现。基于Austin Rochford的博客文章 NBA Foul Calls and Bayesian Item Response Theory。
NBA犯规分析与项目反应理论
- 17 四月 2022
本教程展示了贝叶斯项目反应理论 [福克斯，2010] 在NBA篮球犯规数据中的应用，使用PyMC实现。基于Austin Rochford的博客文章 NBA Foul Calls and Bayesian Item Response Theory。
用于密度估计的Dirichlet过程混合模型
- 16 九月 2021
Dirichlet 过程是一个在分布空间上的灵活概率分布。最一般地，一个概率分布 \(P\) 在集合 \(\Omega\) 上是一个[测度](https://en.wikipedia.org/wiki/Measure_(mathematics%29)，它将整个空间的测度赋值为1（\(P(\Omega) = 1\)）。Dirichlet 过程 \(P \sim \textrm{DP}(\alpha, P_0)\) 是一个具有以下性质的测度：对于每一个有限的不相交划分 \(S_1, \ldots, S_n\) 的 \(\Omega\)，
用于密度估计的Dirichlet过程混合模型
- 16 九月 2021
Dirichlet 过程是一个在分布空间上的灵活概率分布。最一般地，一个概率分布 \(P\) 在集合 \(\Omega\) 上是一个[测度](https://en.wikipedia.org/wiki/Measure_(mathematics%29)，它将整个空间的测度赋值为1（\(P(\Omega) = 1\)）。Dirichlet 过程 \(P \sim \textrm{DP}(\alpha, P_0)\) 是一个具有以下性质的测度：对于每一个有限的不相交划分 \(S_1, \ldots, S_n\) 的 \(\Omega\)，
用于密度估计的狄利克雷过程混合模型
- 16 九月 2021
Dirichlet 过程是一个在分布空间上的灵活概率分布。最一般地，一个概率分布 \(P\) 在集合 \(\Omega\) 上是一个[测度](https://en.wikipedia.org/wiki/Measure_(mathematics%29)，它将整个空间的测度赋值为1（\(P(\Omega) = 1\)）。Dirichlet 过程 \(P \sim \textrm{DP}(\alpha, P_0)\) 是一个具有以下性质的测度：对于每一个有限的不相交划分 \(S_1, \ldots, S_n\) 的 \(\Omega\)，
用于密度估计的Dirichlet过程混合模型
- 16 九月 2021
Dirichlet 过程是一个在分布空间上的灵活概率分布。最一般地，一个概率分布 \(P\) 在集合 \(\Omega\) 上是一个[测度](https://en.wikipedia.org/wiki/Measure_(mathematics%29)，它将整个空间的测度赋值为1（\(P(\Omega) = 1\)）。Dirichlet 过程 \(P \sim \textrm{DP}(\alpha, P_0)\) 是一个具有以下性质的测度：对于每一个有限的不相交划分 \(S_1, \ldots, S_n\) 的 \(\Omega\)，