Listado vivo de recursos utiles para el desarrollo del curso y la web

[tomicapretto]

La idea de este issue es que dejemos un enlace, nota, imagen, comentario, etc. a recursos que nos encontramos por ahi y pensamos que pueden ser utiles para desarrollar este curso.

[tomicapretto]

Me gusta como usa iconos en las tablas https://sta344-fa22.github.io/

[tomicapretto]

Material introductorio que me gusta, con varios ejemplos e implementaciones a mano.

https://github.com/Grupo-de-modelado-probabilista/Modelado_Bayesiano

[tomicapretto]

https://undergrad-bayes.netlify.app/ https://undergrad-bayes.netlify.app/network.html

https://twitter.com/MineDogucu/status/1581990060747984896

[tomicapretto]

HMC sampling

https://github.com/AlexanderFengler/hmc_presentation/blob/master/presentation/hmc_presentation.pdf

[tomicapretto]

Casos de aplicacion hechos bajo el paradigma frecuentista y bayesiano

https://doi.org/10.1111/bjop.12585

[tomicapretto]

https://twitter.com/MineDogucu/status/1584953018667401218

[tomicapretto]

Esta historia esta buena para plantear un problema de probabilidad y resolverlo usando simulacion

https://twitter.com/PlanetaDeCABJ/status/1587925636869300224

"El juego de cartas que termino siendo tatuaje"

[tomicapretto]

https://eda.seas.gwu.edu/2022-Fall/schedule.html

[tomicapretto]

https://github.com/stan-dev/example-models

[nachoevan]

Siguiendo con problemas o situaciones simulables... Este video de Veritasium puede trabajarse: https://youtu.be/3LopI4YeC4I. Creo que se puede relacionar con un texto de Groisman: "A mi sí deseénme suerte" (y algunos otros, tipo el libro "The Drunkard's Walk")

[tomicapretto]

https://bayesball.github.io/

https://bayesball.github.io/BOOK/probability-a-measurement-of-uncertainty.html

[nachoevan]

Ejercicios de simulación: https://mdsr-book.github.io/mdsr2e/ch-simulation.html#reasoning-in-reverse

[nachoevan]

Si vamos a charlar de gráficas y representación de incertidumbre y variabilidad: https://3iap.com/dispersion-disparity-equity-centered-data-visualization-research-project-Wi-58RCVQNSz6ypjoIoqOQ/ ... y en general cualquier laburo de Matthew Kay

[tomicapretto]

https://github.com/elizavetasemenova/ProbAI-2022

[tomicapretto]

Para trabajo practico de MH me parece que va a ser muy util ver "Introduction to Bayesian Computing" de Daniela Calvetti (hay una version "no introduction" que va a salir el año que viene). El capitulo 9 esta muy bueno.

[tomicapretto]

https://sta210-s22.github.io/website/

aca hay otra tabla con calendario y recursos

[tomicapretto]

https://www.andrewheiss.com/blog/2023/01/09/syllabus-csl-pandoc/

[nachoevan]

Estuve explorando los libros nuevos de Kevin Murphy. Algunos comentarios:

• Para regresión lineal, el capítulo 11.7 (Bayesian linear regression) de la primera parte está bueno. De la segunda parte, la sección 15.2 (Linear regression) contempla los casos generales.
• En la primera parte, para teoría de la decisión, está la sección 5.1 (Bayesian decision theory) con un ejemplo interesante (también en la segunda parte, ver sección 3.8)
• Para modelos jerárquicos, está buena la sección 3.5 de la segunda parte (Hierarchical priors).
• Para conjugados, al momento de trabajar con normal-IGamma, ver 3.2.3.3 (Posterior of mu and sigma^2: conjugate prior) y la sección posterior
• Para la parte de evaluación de modelos, lppd, loo-cv, etc. ver en la segunda parte, la sección 3.7.3 (Connection between cross validation and marginal likelihood) y posteriores...
• Metropolis-Hastings está bien cubierto en Advanced Topics, capítulo 12.2 (Metropolis Hastings algorithm)

[tomicapretto]

https://colindcarroll.com/2019/04/11/hamiltonian-monte-carlo-from-scratch/

[nachoevan]

Para hablar de probabilidad subjetiva o probabilidad como grado de plausibilidad son excelentes estos dos recursos:

• https://bayesball.github.io/BOOK/probability-a-measurement-of-uncertainty.html#the-subjective-view-of-a-probability (ya estaba mencionado arriba)
• https://bookdown.org/kevin_davisross/probsim-book/prob-literacy.html (incluye un ejemplo de Dutch Book muy bien explicado y además tiene muy lindos recursos sobre simulaciones y repaso de probabilidad)

[nachoevan]

Lindos ejercicios y desafíos de simulación: https://fivethirtyeight.com/features/everythings-mixed-up-can-you-sort-it-all-out/ (Este también me gustó: https://fivethirtyeight.com/features/can-you-fold-all-your-socks/)

[nachoevan]

Para modelos jerárquicos: https://bookdown.org/steve_midway/BHME/Ch1.html#hierarchical-models

[nachoevan]

Para teoría de la decisión: https://nbviewer.org/github/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/blob/master/Chapter5_LossFunctions/Ch5_LossFunctions_PyMC3.ipynb

[nachoevan]

Evaluación y comparación de modelos:

• http://modernstatisticalworkflow.blogspot.com/2017/05/model-checking-with-log-posterior.html
• https://towardsdatascience.com/evaluating-bayesian-mixed-models-in-r-python-27d344a03016

[tomicapretto]

Chapters 11 y 12 tienen visualizaciones lindas sobre MH, Gibbs y HMC

https://avehtari.github.io/BDA_course_Aalto/demos.html#BDA_R_demos

[tomicapretto]

https://arxiv.org/pdf/2204.06868.pdf

La imagen esta buenisima

[nachoevan]

Buen análisis de distribuciones conjugadas para normales: https://www.cs.ubc.ca/~murphyk/Papers/bayesGauss.pdf

Además, ver:

• https://maxhalford.github.io/blog/bayesian-linear-regression/#the-case-of-linear-regression
• https://mrandri19.github.io/2020/09/28/bayesian-linear-regression-with-conjugate-priors.html
• https://people.stat.sc.edu/hitchcock/slides535day9spr2014.pdf
• http://www.kris-nimark.net/Applied_Macro_2016/Bayesian_Normal_Regression_Slides.pdf

[tomicapretto]

Sobre distribuciones conjugadas en A Student's Guide to Bayesian Statistics (Ben Lambert)

Los problemas del capítulo 9 están muy buenos

[tomicapretto]

Entre 42:00 y 52:00 cubre unas explicaciones intuitivas sobre Metropolis, HMC, etc. https://www.youtube.com/watch?v=woXdiyezCPA&ab_channel=CodingTech

[tomicapretto]

• Inference - Hamiltonian Monte Carlo from Scratch
• Inference - Gibbs Sampling from Scratch
• Inference - Metropolis Hastings from Scratch
• Inference - Monte Carlo Approximation

[tomicapretto]

http://www.statsathome.com/2017/10/12/bayesian-decision-theory-made-ridiculously-simple/

[nachoevan]

https://ben18785.shinyapps.io/distribution-zoo/ Interesante Shiny app para explorar distribuciones (tiene Dirichlet --hasta cuatro dimensiones!--, Multinomial, varias continuas, etc)

[nachoevan]

Para MCMC, MCSE = https://www.coursera.org/lecture/mcmc-bayesian-statistics/computing-monte-carlo-error-K5Rea

[nachoevan]

Para HMC, es muy bueno https://gregorygundersen.com/blog/2020/07/05/hmc/ (aunque un poco denso). También esta simulación: https://chi-feng.github.io/mcmc-demo/app.html

[tomicapretto]

https://www.nature.com/articles/s41562-021-01177-7 (Bayesian Analysis Reporting Guidelines de Kruschke)

[tomicapretto]

Alternativas a complete pooling, no pooling y partial pooling.

Tomado de http://gmp.net.ar/modelado_bayesiano/03_Modelos_jer%C3%A1rquicos.html

[tomicapretto]

https://github.com/mattiasvillani/BayesianLearningBook

[tomicapretto]

https://github.com/betanalpha/mcmc_diagnostics para mcmc

[nachoevan]

https://www.rensvandeschoot.com/tutorials/ tutoriales de brms

[nachoevan]

https://sci-hub.se/https://www.nature.com/articles/s43586-020-00001-2 buen artículo de overview

[tomicapretto]

http://www.stat.columbia.edu/~gelman/bag-of-tricks/contents.pdf

[tomicapretto]

https://github.com/ricardoV94/probability-puzzles

Puede estar bueno para trabajar con distribuciones de probabilidad

[nachoevan]

Lindo libro nuevo: https://www.mbmlbook.com/

[tomicapretto]

Idea para algun TP con modelos de regresión lineal normal: observar el a priori implícito sobre R^2 y pedir que usen un prior tipo R2D2.

[tomicapretto]

https://storopoli.io/2023-11-23-lindley_paradox/#lindleys-paradox

[tomicapretto]

https://akyildiz.me/stochastic-simulation/intro.html

[tomicapretto]

Parece que exportar las slides a PDF va a ser mas facil https://github.com/quarto-dev/quarto-cli/issues/4677

[tomicapretto]

https://vasishth.github.io/bayescogsci/book/

[tomicapretto]

Colores que me gustaron y que podriamos usar en los gráficos

colores <- c("#d77659", "#e8a66a", "#2c4553", "#4f9b8e")

png("plot.png")
plot(1:4, 1:4, bg = colores, cex = 10, pch = 21, xlim = c(0.5, 4.5), ylim = c(0.5, 4.5))
dev.off()

[tomicapretto]

esta bueno https://bayesball.github.io/BOOK/bayesian-hierarchical-modeling.html