bakfoo

PyCon Jp 2015「エンジニアのためのベイズ推定入門」要項

0 チュートリアル環境の構築前の注意

確率論的プログラミングはまだ若い分野ですので，計算環境の構築方法が成熟していません．チュートリアルではpymc3やpystanを利用しますが，それらの開発者は基本的にUbuntuにAnaconda Pythonを利用してるので，まともに動作する環境はどうしてもUbuntu + Anacondaが中心になってしまいます．以下に構築前の注意を列挙します．

Windowsで確率論的プログラミングを行うことは，pymc3のtheanoのGPUの問題，pystanのプロセス制限の問題等，制約が多すぎて困難な道となります．Windowsを利用する場合，VMWare, VirtualBox, Vagrant等の仮想環境またはDocker等のコンテナ技術を利用してLinuxを用意するほうが精神衛生上望ましいと考えています．
Python環境の構築はAnacondaディストリビューションを前提とします．素のPythonから確率論的プログラミングの環境を構築することは，数々の罠に嵌まる可能性が否定できませんので推奨できません．
もしも，チュートリアル当日までに環境を構築できなくても問題ありません．チュートリアルはJupyter Notebookで行いますので，Docker Imageを用意~~するか，JupyterHub等によりWebブラウザからチュートリアルマテリアルにアクセス~~し実行できるようにします．
皆様には大変申し訳ございませんが，JupyterHubが技術的理由により用意できませんでした．お詫びを申しあげます．代わりに以下のnbviewerで代替させていただきます．

	y <- read.table('https://raw.github.com/wiki/stan-dev/rstan/rats.txt', header = TRUE)
	x <- c(8, 15, 22, 29, 36)
	xbar <- mean(x)
	N <- nrow(y)
	T <- ncol(y)
	data <- list(y=y, x=x, xbar=xbar, N=N, T=T)

	rats_model <- stan_model(file = "https://raw.githubusercontent.com/stan-dev/example-models/master/bugs_examples/vol1/rats/rats.stan")

	#NUTS

	> print(rats_fit)
	Inference for Stan model: rats.
	4 chains, each with iter=1000; warmup=500; thin=1;
	post-warmup draws per chain=500, total post-warmup draws=2000.

	mean se_mean sd 2.5% 25% 50% 75% 97.5% n_eff Rhat
	alpha[1] 239.90 0.07 2.70 234.72 238.03 239.90 241.71 245.11 1595 1.00
	alpha[2] 247.89 0.06 2.78 242.43 246.02 247.94 249.74 253.40 2000 1.00
	alpha[3] 252.53 0.06 2.76 247.12 250.71 252.57 254.35 257.86 1838 1.00
	alpha[4] 232.53 0.06 2.71 227.16 230.69 232.56 234.40 237.75 1797 1.00

	make examples/bernoulli/bernoulli
	cd examples/bernoulli/
	./bernoulli sample data file=bernoulli.data.R
	./bernoulli variational data file=bernoulli.data.R

	# Job to submit a Ray program from a pod outside a running Ray cluster.
	apiVersion: batch/v1
	kind: Job
	metadata:
	name: ray-test-job
	spec:
	template:
	spec:
	restartPolicy: Never
	containers:

	from collections import Counter
	import sys
	import time
	import ray
	""" This script is meant to be run from a pod in the same Kubernetes namespace
	as your Ray cluster.
	"""


	@ray.remote