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.

Vem är Bayes? Vad är Bayes?

Bayesianer vs. frekventister

Sannolikhetsfördelningar

Sannolikhet och Bayes sats

Vi spelar kort

Bayesianskt skräppostfilter

Vad säger testet?

Smaka på Bayes

Singla en slant

Ju fler kast, desto mer lär du dig

Är det här ett rättvist mynt?

Det bayesianska synsättet

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.

Under Bayesianska huven

Mot rutnätsapproximation

Rutnätsapproximation utan förkunskaper

Uppdatera posteriori-fördelningen

Förhandstro

Sanningen om priorn

Välj rätt prior

Simulera dragningar från posteriorn

Rapportera bayesianska resultat

Punktskattningar

Kredibilitetsintervall med högsta posteriora densitet

Innebörden av trovärdighet

Bayesiansk skattning

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.

A/B-testning

Simulera ett beta-posteriori

Posteriora klickfrekvenser

A eller B – och hur säkra är vi?

Hur illa kan det gå?

Beslutsanalys

Beslutsanalys: kostnad

Beslutsanalys: vinst

Regression och prognoser

Definiera en bayesiansk regressionsmodell

Analysera regressionsparametrar

Prediktiv fördelning

Bayesiansk inferens

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!

Markov Chain Monte Carlo och modellanpassning

Markov Chain Monte Carlo

Sampling av posteriora dragningar

Tolka resultat och jämföra modeller

Granska posteriora urval

Jämföra modeller med WAIC

Göra förutsägelser

Sampla från prediktiv densitet

Beräkna testfel

Vad kostar en avokado?

Anpassa modellen

Inspektera modellen

Optimera priset

Avslutande ord

Bayesiansk linjär regression med PyMC3

Ads Data

Bikes Data

Bayesiansk dataanalys är en alltmer populär metod för statistisk slutledning. Den används för att beräkna villkorlig sannolikhet utan att behöva förlita sig på fasta konstanter som konfidensnivåer eller p-värden. I den här kursen lär du dig hur bayesiansk dataanalys fungerar, hur den skiljer sig från det klassiska synsättet och varför den är en oumbärlig del av din verktygslåda inom datavetenskap. Du arbetar med A/B-testning, beslutsanalys och linjär regressionsmodellering med ett bayesianskt angreppssätt medan du analyserar verkliga data om annonsering, försäljning och cykeluthyrning. Avslutningsvis får du praktisk erfarenhet av biblioteket PyMC3, som gör det enklare att utforma, anpassa och tolka bayesianska modeller.

Introduction to Statistics in Python

Lär dig om fördelarna med Bayesiansk dataanalys och tillämpa det på olika verkliga användningsområden!

Bayesiansk dataanalys i Python

Lär dig allt om fördelarna med Bayesiansk dataanalys och tillämpa den på en mängd verkliga användningsfall!

Vem är Bayes? Vad är Bayes?

Create Your Free Account