Markov Chain Monte Carlo

Markov Chain Monte Carlo, atau MCMC, memadukan konsep pengambilan sampel Monte Carlo dengan sifat Rantai Markov yang berkonvergensi ke keadaan tunak. Ini memungkinkan pengambilan sampel dari distribusi posterior apa pun, bahkan yang tidak diketahui. Mari uji intuisi Anda tentang MCMC!

Latihan ini merupakan bagian dari kursus

Analisis Data Bayesian dengan Python

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Analisis Data Bayesian dengan Python

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Ambil langkah pertama Anda di dunia Bayesian. Pada bab ini, Anda akan diperkenalkan pada konsep dasar probabilitas dan sebaran statistik, serta Teorema Bayes yang terkenal, landasan metode Bayesian. Terakhir, Anda akan membangun model Bayesian pertama Anda untuk menarik kesimpulan dari pelemparan koin acak.

Exercise 1: Siapa Bayes? Apa itu Bayes?Exercise 2: Bayesian vs. Frequentist Exercise 3: Sebaran probabilitas Exercise 4: Probabilitas dan Teorema Bayes Exercise 5: Ayo bermain kartu Exercise 6: Filter spam Bayesian Exercise 7: Apa kata hasil tes?Exercise 8: Mencicipi Bayes Exercise 9: Melempar koin Exercise 10: Semakin sering Anda melempar, semakin banyak Anda belajar Exercise 11: Hei, apakah koin ini adil?

Saatnya melihat lebih dalam pendekatan Bayesian. Anda akan belajar menerapkan Teorema Bayes pada data efektivitas obat untuk mengestimasi parameter sebaran probabilitas menggunakan teknik pendekatan grid, serta memperbarui estimasi tersebut saat data baru tersedia. Selanjutnya, Anda akan mempelajari cara memasukkan pengetahuan awal (prior) ke dalam model dan akhirnya melatih keterampilan penting melaporkan hasil kepada audiens nonteknis.

Exercise 1: Membongkar dapur Bayesian Exercise 2: Menuju pendekatan grid Exercise 3: Pendekatan grid tanpa pengetahuan awal Exercise 4: Memperbarui keyakinan posterior Exercise 5: Kepercayaan awal Exercise 6: Kebenaran tentang prior Exercise 7: Memilih prior yang tepat Exercise 8: Mensimulasikan pengambilan sampel posterior Exercise 9: Melaporkan hasil Bayesian Exercise 10: Estimasi titik Exercise 11: Interval kredibel Highest Posterior Density Exercise 12: Makna kredibilitas

Terapkan keterampilan analisis data Bayesian yang baru Anda kuasai untuk memecahkan tantangan bisnis dunia nyata. Anda akan bekerja dengan data pemasaran penjualan online untuk melakukan A/B testing, analisis keputusan, dan peramalan dengan model regresi linear.

Exercise 1: Pengujian A/B Exercise 2: Simulasikan posterior beta Exercise 3: Laju klik posterior Exercise 4: A atau B, dan seberapa yakinkah kita?Exercise 5: Seberapa buruk kemungkinan terburuknya?Exercise 6: Analisis keputusan Exercise 7: Analisis keputusan: biaya Exercise 8: Analisis keputusan: laba Exercise 9: Regresi dan peramalan Exercise 10: Mendefinisikan model regresi Bayesian Exercise 11: Menganalisis parameter regresi Exercise 12: Distribusi prediktif

Pada bab terakhir ini, Anda akan memanfaatkan paket PyMC3 yang andal untuk dengan mudah menyesuaikan model regresi Bayesian, melakukan pemeriksaan kewarasan terhadap konvergensi model, memilih di antara model yang bersaing, dan menghasilkan prediksi untuk data baru. Sebagai penutup, Anda akan menerapkan yang telah dipelajari untuk menemukan harga optimal alpukat dalam studi kasus analisis data Bayesian. Semoga sukses!

Exercise 1: Markov Chain Monte Carlo dan pemodelan Exercise 2: Markov Chain Monte Carlo

Latihan Saat Ini

Exercise 3: Melakukan sampling dari posterior Exercise 4: Menafsirkan hasil dan membandingkan model Exercise 5: Memeriksa sampel posterior Exercise 6: Membandingkan model dengan WAIC Exercise 7: Membuat prediksi Exercise 8: Sampel dari kerapatan prediktif Exercise 9: Mengestimasi galat uji Exercise 10: Berapa harga sebuah alpukat?Exercise 11: Memasang model Exercise 12: Memeriksa model Exercise 13: Mengoptimalkan harga Exercise 14: Catatan penutup