Markov Chain Monte Carlo

Markov Chain Monte Carlo, eller MCMC, kombinerar Monte Carlo-sampling med Markovkedjors egenskap att konvergera mot ett stabilt tillstånd. Det gör det möjligt att sampla dragningar från vilken posteriori-fördelning som helst – även okända sådana. Låt oss testa din förståelse av MCMC!

Den här övningen är en del av kursen

Bayesiansk dataanalys i Python

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Bayesiansk dataanalys i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Ta dina första steg i den bayesianska världen. I det här kapitlet introduceras du till grundläggande begrepp inom sannolikhet och statistiska fördelningar, samt till det berömda Bayes sats – hörnstenen i bayesianska metoder. Avslutningsvis bygger du din första bayesianska modell för att dra slutsatser från slumpmässiga myntkast.

Exercise 1: Vem är Bayes? Vad är Bayes?Exercise 2: Bayesianer vs. frekventister Exercise 3: Sannolikhetsfördelningar Exercise 4: Sannolikhet och Bayes sats Exercise 5: Vi spelar kort Exercise 6: Bayesianskt skräppostfilter Exercise 7: Vad säger testet?Exercise 8: Smaka på Bayes Exercise 9: Singla en slant Exercise 10: Ju fler kast, desto mer lär du dig Exercise 11: Är det här ett rättvist mynt?

Nu är det dags att titta under huven på det bayesianska synsättet. Du lär dig att tillämpa Bayes sats på data om läkemedelseffektivitet för att skatta parametrar i sannolikhetsfördelningar med hjälp av rutnätsapproximation, och att uppdatera dessa skattningar när nya data blir tillgängliga. Därefter lär du dig att integrera förkunskaper i modellen och övar på den viktiga färdigheten att presentera resultat för en icke-teknisk målgrupp.

Exercise 1: Under Bayesianska huven Exercise 2: Mot rutnätsapproximation Exercise 3: Rutnätsapproximation utan förkunskaper Exercise 4: Uppdatera posteriori-fördelningen Exercise 5: Förhandstro Exercise 6: Sanningen om priorn Exercise 7: Välj rätt prior Exercise 8: Simulera dragningar från posteriorn Exercise 9: Rapportera bayesianska resultat Exercise 10: Punktskattningar Exercise 11: Kredibilitetsintervall med högsta posteriora densitet Exercise 12: Innebörden av trovärdighet

Tillämpa dina nyförvärvade kunskaper i bayesiansk dataanalys för att lösa verkliga affärsutmaningar. Du arbetar med data från digital försäljningsmarknadsföring för att genomföra A/B-tester, beslutsanalys och prognoser med linjära regressionsmodeller.

Exercise 1: A/B-testning Exercise 2: Simulera ett beta-posteriori Exercise 3: Posteriora klickfrekvenser Exercise 4: A eller B – och hur säkra är vi?Exercise 5: Hur illa kan det gå?Exercise 6: Beslutsanalys Exercise 7: Beslutsanalys: kostnad Exercise 8: Beslutsanalys: vinst Exercise 9: Regression och prognoser Exercise 10: Definiera en bayesiansk regressionsmodell Exercise 11: Analysera regressionsparametrar Exercise 12: Prediktiv fördelning

I det här sista kapitlet utnyttjar du det kraftfulla paketet PyMC3 för att enkelt anpassa bayesianska regressionsmodeller, utföra kontroller av en modells konvergens, välja mellan konkurrerande modeller och generera prediktioner för nya data. Som avslutning tillämpar du det du har lärt dig för att hitta det optimala priset på avokado i en fallstudie i bayesiansk dataanalys. Lycka till!

Exercise 1: Markov Chain Monte Carlo och modellanpassning Exercise 2: Markov Chain Monte Carlo

Aktuell övning

Exercise 3: Sampling av posteriora dragningar Exercise 4: Tolka resultat och jämföra modeller Exercise 5: Granska posteriora urval Exercise 6: Jämföra modeller med WAIC Exercise 7: Göra förutsägelser Exercise 8: Sampla från prediktiv densitet Exercise 9: Beräkna testfel Exercise 10: Vad kostar en avokado?Exercise 11: Anpassa modellen Exercise 12: Inspektera modellen Exercise 13: Optimera priset Exercise 14: Avslutande ord