Pod pokličkou bayesovské statistiky

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Bayesian Data Analysis in Python

SkillTag.level.intermediateSkillTag.label

4.8+

261 reviews

Začněte kurz zdarma

Udělej první kroky v bayesovském světě. V této kapitole se seznámíš se základními pojmy pravděpodobnosti a statistických rozdělení, ale také se slavnou Bayesovou větou – základním kamenem bayesovských metod. Na závěr sestavíš svůj první bayesovský model a vyvodíš závěry z náhodných hodů mincí.

Exercise 1: Kdo je Bayes? Co je Bayes?Exercise 2: Bayesovci vs. frekventisté Exercise 3: Pravděpodobnostní rozdělení Exercise 4: Pravděpodobnost a Bayesův teorém Exercise 5: Zahrajme si karty Exercise 6: Bayesovský spamový filtr Exercise 7: Co říká test?Exercise 8: Ochutnávka Bayese Exercise 9: Hod mincí Exercise 10: Čím více hodů, tím více se naučíš Exercise 11: Hele, je tahle mince spravedlivá?

Čas podívat se pod kapotu bayesovského přístupu. Naučíš se aplikovat Bayesovu větu na data o účinnosti léků, odhadovat parametry pravděpodobnostních rozdělení pomocí techniky mřížkové aproximace a tyto odhady aktualizovat s příchodem nových dat. Dále se naučíš, jak do modelu začlenit předchozí znalosti, a procvičíš si důležitou dovednost – srozumitelně prezentovat výsledky netechnickému publiku.

Exercise 1: Pod pokličkou bayesovské statistiky

Aktuální cvičení

Exercise 2: Na cestě ke grid aproximaci Exercise 3: Aproximace mřížkou bez předchozích znalostí Exercise 4: Aktualizace posteriorní distribuce Exercise 5: Apriorní přesvědčení Exercise 6: Pravda o prioru Exercise 7: Výběr správného apriorního rozdělení Exercise 8: Simulace vzorků z posterioru Exercise 9: Prezentace bayesovských výsledků Exercise 10: Bodové odhady Exercise 11: Věrohodnostní intervaly nejvyšší posteriorní hustoty Exercise 12: Význam věrohodnosti

Uplatni nově získané dovednosti bayesovské analýzy dat při řešení reálných obchodních problémů. Budeš pracovat s daty z online marketingu a provádět A/B testy, rozhodovací analýzu a předpovídání pomocí lineárních regresních modelů.

Exercise 1: A/B testování Exercise 2: Simulace beta posterioru Exercise 3: Posteriorní míry prokliků Exercise 4: A nebo B – a jak moc si tím jistíme?Exercise 5: Jak velké může být riziko?Exercise 6: Rozhodovací analýza Exercise 7: Rozhodovací analýza: náklady Exercise 8: Rozhodovací analýza: zisk Exercise 9: Regrese a prognózování Exercise 10: Definování bayesovského regresního modelu Exercise 11: Analýza parametrů regresního modelu Exercise 12: Prediktivní distribuce

V této závěrečné kapitole využiješ výkonný balíček PyMC3 k snadnému trénování bayesovských regresních modelů, kontrole konvergence modelu, výběru mezi konkurenčními modely a generování předpovědí pro nová data. Na závěr vše, co ses naučil/a, uplatníš v případové studii bayesovské analýzy dat – nalezneš optimální cenu avokád. Hodně štěstí!

Exercise 1: Markov Chain Monte Carlo a fitting modelu Exercise 2: Markov Chain Monte Carlo Exercise 3: Vzorkování posterioru Exercise 4: Interpretace výsledků a porovnávání modelů Exercise 5: Prozkoumání posteriórních vzorků Exercise 6: Porovnání modelů pomocí WAIC Exercise 7: Tvorba předpovědí Exercise 8: Vzorkování z prediktivní hustoty Exercise 9: Odhad chyby na testovacích datech Exercise 10: Kolik stojí avokádo?Exercise 11: Přizpůsobení modelu Exercise 12: Prozkoumání modelu Exercise 13: Optimalizace ceny Exercise 14: Závěrečné poznámky