Interpretacja wyników i porównywanie modeli

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.

To ćwiczenie jest częścią kursu

Bayesowska analiza danych w Pythonie

SkillTag.level.intermediateSkillTag.label

4.8+

261 reviews

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 Exercise 3: Próbkowanie rozkładu a posteriori Exercise 4: Interpretacja wyników i porównywanie modeli

Bieżące ćwiczenie

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