Markov Chain Monte Carlo

Markov Chain Monte Carlo, sau MCMC, combină conceptele de eșantionare Monte Carlo cu proprietatea lanțurilor Markov de a converge către o stare stabilă. Acest lucru permite eșantionarea din orice distribuție posterioară, chiar și din una necunoscută. Să verificăm intuiția ta despre MCMC!

Acest exercițiu face parte din cursul

Analiza bayesiană a datelor în Python

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Analiza bayesiană a datelor în Python

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Fă primii pași în lumea bayesiană. În acest capitol, vei fi introdus în conceptele de bază ale probabilității și distribuțiilor statistice, precum și în celebrul Teoremă a lui Bayes, piatra de temelie a metodelor bayesiene. În final, vei construi primul tău model bayesian pentru a trage concluzii din aruncări aleatoare de monedă.

Exercise 1: Cine este Bayes? Ce este Bayes?Exercise 2: Bayesieni vs. frecventiști Exercise 3: Distribuții de probabilitate Exercise 4: Probabilitate și Teorema lui Bayes Exercise 5: Să jucăm cărți Exercise 6: Filtru Bayesian de spam Exercise 7: Ce spune testul?Exercise 8: O mostră din Bayes Exercise 9: Aruncarea monedei Exercise 10: Cu cât arunci mai mult, cu atât înveți mai mult Exercise 11: Hei, moneda asta e corectă?

Este momentul să privești sub capota bayesiană. Vei învăța cum să aplici Teorema lui Bayes pe date privind eficacitatea medicamentelor, să estimezi parametrii distribuțiilor de probabilitate folosind tehnica de aproximare prin grilă și să actualizezi aceste estimări pe măsură ce devin disponibile date noi. Vei afla, de asemenea, cum să integrezi cunoștințele anterioare în model și vei exersa abilitatea importantă de a prezenta rezultatele unui public non-tehnic.

Exercise 1: Sub capota bayesiană Exercise 2: Spre aproximarea prin grilă Exercise 3: Aproximare pe grilă fără cunoștințe prealabile Exercise 4: Actualizarea credinței posterioare Exercise 5: Credință a priori Exercise 6: Adevărul despre prior Exercise 7: Alegerea unui prior potrivit Exercise 8: Simularea eșantioanelor posterioare Exercise 9: Raportarea rezultatelor bayesiene Exercise 10: Estimări punctuale Exercise 11: Intervale credibile Highest Posterior Density Exercise 12: Semnificația credibilității

Aplică-ți noile abilități de analiză bayesiană a datelor pentru a rezolva provocări reale de business. Vei lucra cu date de marketing pentru vânzări online pentru a efectua teste A/B, analiză decizională și prognoze cu modele de regresie liniară.

Exercise 1: Testare A/B Exercise 2: Simulează posteriorul beta Exercise 3: Rate de click posterioare Exercise 4: A sau B, și cât de siguri suntem?Exercise 5: Cât de mare poate fi pierderea?Exercise 6: Analiză decizională Exercise 7: Analiză decizională: cost Exercise 8: Analiză decizională: profitul Exercise 9: Regresie și prognoză Exercise 10: Definirea unui model de regresie bayesiană Exercise 11: Analiza parametrilor regresiei Exercise 12: Distribuția predictivă

În acest capitol final, vei valorifica puterea pachetului PyMC3 pentru a ajusta cu ușurință modele de regresie bayesiană, a efectua verificări de corectitudine a convergenței unui model, a selecta între modele concurente și a genera predicții pentru date noi. Pentru a încheia, vei aplica ce ai învățat pentru a determina prețul optim al avocado-urilor într-un studiu de caz de analiză bayesiană a datelor. Mult succes!

Exercise 1: Lanțuri Markov Monte Carlo și ajustarea modelelor Exercise 2: Markov Chain Monte Carlo

Exercițiul curent

Exercise 3: Eșantionarea distribuțiilor posterioare Exercise 4: Interpretarea rezultatelor și compararea modelelor Exercise 5: Inspectarea eșantioanelor posterioare Exercise 6: Compararea modelelor cu WAIC Exercise 7: Generarea predicțiilor Exercise 8: Eșantionare din densitatea predictivă Exercise 9: Estimarea erorii pe datele de test Exercise 10: Cât costă un avocado?Exercise 11: Antrenarea modelului Exercise 12: Inspectarea modelului Exercise 13: Optimizarea prețului Exercise 14: Concluzii finale