Markov Chain Monte Carlo

Markov Chain Monte Carlo, o MCMC, combina los conceptos de muestreo Monte Carlo con la propiedad de las cadenas de Markov de converger a un estado estacionario. Esto permite muestrear extracciones de cualquier distribución posterior, incluso si es desconocida. ¡Vamos a poner a prueba tu intuición sobre MCMC!

Este ejercicio forma parte del curso

Análisis de datos bayesiano en Python

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Análisis de datos bayesiano en Python

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Da tus primeros pasos en el mundo bayesiano. En este capítulo, conocerás los conceptos básicos de probabilidad y distribuciones estadísticas, así como el famoso Teorema de Bayes, la piedra angular de los métodos bayesianos. Para terminar, construirás tu primer modelo bayesiano para sacar conclusiones a partir de lanzamientos aleatorios de una moneda.

Exercise 1: ¿Quién es Bayes? ¿Qué es Bayes?Exercise 2: Bayesianos vs. Frecuentistas Exercise 3: Distribuciones de probabilidad Exercise 4: Probabilidad y el teorema de Bayes Exercise 5: Juguemos a las cartas Exercise 6: Filtro de spam bayesiano Exercise 7: ¿Qué dice la prueba?Exercise 8: Probando a Bayes Exercise 9: Lanzar una moneda Exercise 10: Cuantas más veces lances, más aprendes Exercise 11: Oye, ¿es justa esta moneda?

Es hora de mirar bajo el capó bayesiano. Aprenderás a aplicar el Teorema de Bayes a datos sobre la efectividad de un fármaco para estimar los parámetros de distribuciones de probabilidad mediante la técnica de aproximación por rejilla y a actualizar estas estimaciones a medida que llega nueva información. Después, verás cómo incorporar conocimiento previo en el modelo y, para finalizar, practicarás la importante habilidad de comunicar resultados a un público no técnico.

Exercise 1: Bajo el capó bayesiano Exercise 2: Hacia la aproximación por rejilla Exercise 3: Aproximación por rejilla sin conocimiento previo Exercise 4: Actualizando la creencia posterior Exercise 5: Creencia previa Exercise 6: La verdad del previo Exercise 7: Elegir la prior adecuada Exercise 8: Simulando extracciones a posteriori Exercise 9: Comunicar resultados bayesianos Exercise 10: Estimaciones puntuales Exercise 11: Intervalos creíbles de densidad posterior más alta Exercise 12: El significado de credibilidad

Aplica tus nuevas habilidades de análisis de datos bayesiano para resolver retos empresariales reales. Trabajarás con datos de marketing de ventas online para realizar pruebas A/B, análisis de decisiones y predicción con modelos de regresión lineal.

Exercise 1: Pruebas A/B Exercise 2: Simula una posterior beta Exercise 3: Tasas de clic posteriores Exercise 4: ¿A o B, y cuánta seguridad tenemos?Exercise 5: ¿Qué tan mal puede salir?Exercise 6: Análisis de decisiones Exercise 7: Análisis de decisiones: coste Exercise 8: Análisis de decisiones: beneficio Exercise 9: Regresión y previsión Exercise 10: Definir un modelo de regresión bayesiana Exercise 11: Analizando los parámetros de la regresión Exercise 12: Distribución predictiva

En este capítulo final, aprovecharás la potente librería PyMC3 para ajustar fácilmente modelos de regresión bayesianos, comprobar la convergencia del modelo, elegir entre modelos alternativos y generar predicciones para nuevos datos. Para cerrar, aplicarás lo aprendido para encontrar el precio óptimo de los aguacates en un caso práctico de análisis bayesiano. ¡Suerte!

Exercise 1: Muestreo de cadenas de Markov (MCMC) y ajuste de modelos Exercise 2: Markov Chain Monte Carlo

Ejercicio actual

Exercise 3: Muestrear valores del posterior Exercise 4: Interpretar resultados y comparar modelos Exercise 5: Inspeccionar extracciones posteriores Exercise 6: Comparación de modelos con WAIC Exercise 7: Hacer predicciones Exercise 8: Muestrear de la densidad predictiva Exercise 9: Estimación del error de test Exercise 10: ¿Cuánto cuesta un aguacate?Exercise 11: Ajustar el modelo Exercise 12: Inspeccionando el modelo Exercise 13: Optimizar el precio Exercise 14: Comentarios finales