Markov Chain Monte Carlo

Markov Chain Monte Carlo, czyli MCMC, łączy koncepcję próbkowania Monte Carlo z właściwością łańcuchów Markowa polegającą na zbieganiu do stanu stacjonarnego. Dzięki temu można próbkować losowania z dowolnego rozkładu a posteriori – nawet nieznanego. Sprawdźmy, jak dobrze rozumiesz ideę MCMC!

To ćwiczenie jest częścią kursu

Bayesowska analiza danych w Pythonie

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Bayesowska analiza danych w Pythonie

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

Stawiasz pierwsze kroki w świecie bayesowskim. W tym rozdziale zapoznasz się z podstawowymi pojęciami dotyczącymi prawdopodobieństwa i rozkładów statystycznych, a także ze słynnym twierdzeniem Bayesa – fundamentem metod bayesowskich. Na koniec zbudujesz swój pierwszy model bayesowski, by wyciągać wnioski z losowych rzutów monetą.

Exercise 1: Kim jest Bayes? Czym jest podejście Bayesowskie?Exercise 2: Bayesianie kontra frekwencjoniści Exercise 3: Rozkłady prawdopodobieństwa Exercise 4: Prawdopodobieństwo i twierdzenie Bayesa Exercise 5: Zagrajmy w karty Exercise 6: Bayesowski filtr spamu Exercise 7: Co mówi test?Exercise 8: Przedsmak Bayesa Exercise 9: Rzut monetą Exercise 10: Im więcej rzutów, tym więcej wiedzy Exercise 11: Hej, czy ta moneta jest uczciwa?

Czas przyjrzeć się bliżej mechanizmom podejścia bayesowskiego. Dowiesz się, jak zastosować twierdzenie Bayesa do danych o skuteczności leków, jak estymować parametry rozkładów prawdopodobieństwa metodą siatki aproksymacji oraz jak aktualizować te estymaty w miarę napływania nowych danych. Następnie nauczysz się uwzględniać wiedzę a priori w modelu, a na koniec przećwiczysz ważną umiejętność prezentowania wyników odbiorcom bez technicznego przygotowania.

Exercise 1: Pod bayesowską maską Exercise 2: Na drodze do aproksymacji siatką Exercise 3: Aproksymacja siatką bez wiedzy a priori Exercise 4: Aktualizacja rozkładu a posteriori Exercise 5: Wiedza a priori Exercise 6: Prawda o rozkładzie a priori Exercise 7: Wybór właściwego rozkładu a priori Exercise 8: Symulowanie próbek z rozkładu a posteriori Exercise 9: Raportowanie wyników bayesowskich Exercise 10: Estymaty punktowe Exercise 11: Przedziały wiarygodności największej gęstości a posteriori Exercise 12: Znaczenie wiarygodności

Zastosuj zdobyte umiejętności bayesowskiej analizy danych do rozwiązywania rzeczywistych wyzwań biznesowych. Pracując z danymi marketingowymi ze sprzedaży online, przeprowadzisz testy A/B, analizę decyzji i prognozowanie za pomocą modeli regresji liniowej.

Exercise 1: Testy A/B Exercise 2: Symulowanie posteriori beta Exercise 3: Posteriorowe współczynniki kliknięć Exercise 4: A czy B – i jak bardzo jesteśmy pewni?Exercise 5: Jak duże jest ryzyko?Exercise 6: Analiza decyzyjna Exercise 7: Analiza decyzyjna: koszty Exercise 8: Analiza decyzyjna: zysk Exercise 9: Regresja i prognozowanie Exercise 10: Definiowanie bayesowskiego modelu regresji Exercise 11: Analiza parametrów regresji Exercise 12: Rozkład predyktywny

W tym ostatnim rozdziale wykorzystasz możliwości pakietu PyMC3, aby z łatwością dopasowywać bayesowskie modele regresji, sprawdzać poprawność zbieżności modelu, wybierać spośród konkurencyjnych modeli i generować prognozy dla nowych danych. Na zakończenie zastosujesz zdobytą wiedzę w praktycznym studium przypadku – znajdziesz optymalną cenę awokado przy użyciu bayesowskiej analizy danych. Powodzenia!

Exercise 1: Łańcuch Markowa Monte Carlo i dopasowywanie modeli Exercise 2: Markov Chain Monte Carlo

Bieżące ćwiczenie

Exercise 3: Próbkowanie rozkładu a posteriori Exercise 4: Interpretacja wyników i porównywanie modeli Exercise 5: Analiza próbek z rozkładu a posteriori Exercise 6: Porównywanie modeli za pomocą WAIC Exercise 7: Generowanie prognoz Exercise 8: Próbkowanie z gęstości predykcyjnej Exercise 9: Szacowanie błędu na zbiorze testowym Exercise 10: Ile kosztuje awokado?Exercise 11: Dopasowywanie modelu Exercise 12: Inspekcja modelu Exercise 13: Optymalizacja ceny Exercise 14: Uwagi końcowe