Интерпретация результатов и сравнение моделей

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.

Это упражнение является частью курса

Байесовский анализ данных на Python

SkillTag.level.intermediateSkillTag.label

4.8+

258 reviews

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 Exercise 3: Сэмплирование апостериорных значений Exercise 4: Интерпретация результатов и сравнение моделей

Текущее упражнение

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