Markov Chain Monte Carlo

Markov Chain Monte Carlo (MCMC), Monte Carlo örneklemesini Markov Zincirlerinin durağan duruma yakınsama özelliğiyle birleştirir. Bu sayede, bilinmeyenler de dahil olmak üzere herhangi bir artçıl (posterior) dağılımdan örnekleme yapabilirsin. Hadi MCMC konusundaki sezgini test edelim!

Bu egzersiz, kursun bir parçasıdır

Python ile Bayesçi Veri Analizi

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Python ile Bayesçi Veri Analizi

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

Bayesçi dünyada ilk adımlarını at. Bu bölümde, olasılık ve istatistiksel dağılımların temel kavramlarına ve Bayesçi yöntemlerin temel taşı olan ünlü Bayes Teoremi'ne giriş yapacaksın. Son olarak, rastgele yazı-tura atışlarından sonuç çıkarmak için ilk Bayesçi modelini kuracaksın.

Exercise 1: Bayes kimdir? Bayes nedir?Exercise 2: Bayesçiler vs. Frekansçılar Exercise 3: Olasılık dağılımları Exercise 4: Olasılık ve Bayes Teoremi Exercise 5: Hadi kart oynayalım Exercise 6: Bayesci spam filtresi Exercise 7: Test ne söylüyor?Exercise 8: Bayes’i Tatmak Exercise 9: Yazı-tura atmak Exercise 10: Ne kadar çok yazı tura atarsan, o kadar çok öğrenirsin Exercise 11: Hey, bu yazı tura adil mi?

Şimdi Bayesçi motorun kaputunun altına bakma zamanı. Bayes Teoremi'ni, ızgara yaklaşımı tekniğini kullanarak olasılık dağılımlarının parametrelerini tahmin etmek ve yeni veriler geldikçe bu tahminleri güncellemek için ilaç etkinliği verilerine nasıl uygulayacağını öğreneceksin. Ardından, modele ön bilgiyi nasıl dahil edeceğini öğrenecek ve son olarak sonuçları teknik olmayan bir kitleye raporlama becerisini pratik edeceksin.

Exercise 1: Bayesçi motorun kaputu altında Exercise 2: Izgara yaklaşıma doğru Exercise 3: Ön bilgi olmadan ızgara yaklaşımı Exercise 4: Artalan inancını güncelleme Exercise 5: Önsel inanç Exercise 6: Önselin doğruluğu Exercise 7: Doğru önseli seçmek Exercise 8: Art dağılımından örneklem simülasyonu Exercise 9: Bayesçi sonuçların raporlanması Exercise 10: Nokta tahminleri Exercise 11: En Yüksek Artalan Yoğunluğu güvenilir aralıkları Exercise 12: Güvenilirliğin anlamı

Yeni edindiğin Bayesçi veri analizi becerilerini gerçek iş sorunlarını çözmek için uygula. Çevrimiçi satış pazarlama verileriyle A/B testleri, karar analizi ve doğrusal regresyon modelleriyle tahminleme yapacaksın.

Exercise 1: A/B testi Exercise 2: Beta artalanını simüle et Exercise 3: Posterior tıklama oranları Exercise 4: A mı B mi, ne kadar eminiz?Exercise 5: Ne kadar kötü olabilir?Exercise 6: Karar analizi Exercise 7: Karar analizi: maliyet Exercise 8: Karar analizi: kâr Exercise 9: Regresyon ve tahmin Exercise 10: Bayesyen bir regresyon modeli tanımlama Exercise 11: Regresyon parametrelerini analiz etme Exercise 12: Öngörü dağılımı

Bu son bölümde, güçlü PyMC3 paketinden yararlanarak Bayesçi regresyon modellerini kolayca uyduracak, bir modelin yakınsamasına sağlama kontrolleri uygulayacak, rekabet eden modeller arasından seçim yapacak ve yeni veriler için tahminler üreteceksin. Kapanışta, öğrendiklerini kullanarak Bayesçi bir veri analizi vaka çalışmasında avokadolar için en uygun fiyatı bulacaksın. İyi şanslar!

Exercise 1: Markov Chain Monte Carlo ve model uydurma Exercise 2: Markov Chain Monte Carlo

Geçerli egzersiz

Exercise 3: Arka dağılımdan örnekleme Exercise 4: Sonuçları yorumlama ve modelleri karşılaştırma Exercise 5: Art alanı örneklerini inceleme Exercise 6: WAIC ile modelleri karşılaştırma Exercise 7: Tahminler yapmak Exercise 8: Yordayıcı yoğunluktan örnekleme Exercise 9: Test hatasını tahmin etme Exercise 10: Bir avokado kaç para?Exercise 11: Modeli uydurma Exercise 12: Modeli inceleme Exercise 13: Fiyatı optimize etme Exercise 14: Son notlar