Markov Chain Monte Carlo

Markov Chain Monte Carlo, zkráceně MCMC, spojuje principy Monte Carlo vzorkování s vlastností Markovových řetězců konvergovat do ustáleného stavu. Díky tomu lze generovat vzorky z libovolného posteriorního rozdělení – i z takového, které neznáme explicitně. Pojďme si ověřit, jak dobře MCMC rozumíš!

Toto cvičení je součástí kurzu

Bayesian Data Analysis in Python

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Bayesian Data Analysis in Python

SkillTag.level.intermediateSkillTag.label

4.8+

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 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

Aktuální cvičení

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