Метод Монте-Карло по схеме марковских цепей

Метод Монте-Карло по схеме марковских цепей (МЦМК) объединяет идеи выборки Монте-Карло со свойством марковских цепей сходиться к стационарному состоянию. Это позволяет получать выборки из любого апостериорного распределения — даже если оно неизвестно. Проверим ваше понимание МЦМК!

Это упражнение является частью курса

Байесовский анализ данных на Python

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Байесовский анализ данных на Python

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Сделайте первые шаги в мире байесовской статистики. В этой главе вы познакомитесь с базовыми понятиями теории вероятностей и статистических распределений, а также со знаменитой теоремой Байеса — краеугольным камнем байесовских методов. В завершение вы построите свою первую байесовскую модель и сделаете выводы на основе случайных бросков монеты.

Exercise 1: Кто такой Байес? Что такое байесовский подход?Exercise 2: Байесовский vs. частотный подход Exercise 3: Вероятностные распределения Exercise 4: Вероятность и теорема Байеса Exercise 5: Сыграем в карты Exercise 6: Байесовский спам-фильтр Exercise 7: Что показывает тест?Exercise 8: Пробуем байесовский подход Exercise 9: Подбрасывание монеты Exercise 10: Чем больше бросков, тем больше знаний Exercise 11: Эй, а монета честная?

Пора разобраться с тем, как устроен байесовский подход изнутри. Вы научитесь применять теорему Байеса к данным об эффективности препаратов, оценивать параметры вероятностных распределений с помощью метода сеточного приближения и обновлять эти оценки по мере поступления новых данных. Затем вы узнаете, как включать априорные знания в модель, и отработаете важный навык — представление результатов нетехнической аудитории.

Exercise 1: Под капотом байесовского подхода Exercise 2: На пути к сеточной аппроксимации Exercise 3: Сеточная аппроксимация без априорных знаний Exercise 4: Обновление апостериорного распределения Exercise 5: Априорное убеждение Exercise 6: Правда о приоре Exercise 7: Выбор подходящего априорного распределения Exercise 8: Симуляция апостериорных выборок Exercise 9: Представление результатов байесовского анализа Exercise 10: Точечные оценки Exercise 11: Достоверные интервалы наибольшей апостериорной плотности Exercise 12: Смысл правдоподобия

Применяйте полученные навыки байесовского анализа данных для решения реальных бизнес-задач. Вы будете работать с данными онлайн-маркетинга: проводить A/B-тесты, анализировать решения и строить прогнозы с помощью моделей линейной регрессии.

Exercise 1: A/B-тестирование Exercise 2: Симуляция бета-апостериорного распределения Exercise 3: Апостериорные показатели кликабельности Exercise 4: A или B: насколько мы уверены?Exercise 5: Насколько велики потери?Exercise 6: Анализ решений Exercise 7: Анализ решений: стоимость Exercise 8: Анализ решений: прибыль Exercise 9: Регрессия и прогнозирование Exercise 10: Определение байесовской регрессионной модели Exercise 11: Анализ параметров регрессии Exercise 12: Прогностическое распределение

В этой завершающей главе вы воспользуетесь мощным пакетом PyMC3, чтобы легко обучать байесовские регрессионные модели, проверять их сходимость, выбирать между конкурирующими моделями и генерировать прогнозы для новых данных. В качестве итогового проекта вы применили всё изученное, чтобы найти оптимальную цену на авокадо в рамках кейса по байесовскому анализу данных. Удачи!

Exercise 1: Марковские цепи Монте-Карло и подбор модели Exercise 2: Метод Монте-Карло по схеме марковских цепей

Текущее упражнение

Exercise 3: Сэмплирование апостериорных значений Exercise 4: Интерпретация результатов и сравнение моделей Exercise 5: Анализ апостериорных выборок Exercise 6: Сравнение моделей с помощью WAIC Exercise 7: Формирование прогнозов Exercise 8: Выборка из предсказательного распределения Exercise 9: Оценка ошибки на тестовых данных Exercise 10: Сколько стоит авокадо?Exercise 11: Подгонка модели Exercise 12: Изучение модели Exercise 13: Оптимизация цены Exercise 14: Заключительные замечания