Markov Chain Monte Carlo

Markov Chain Monte Carlo, hay MCMC, kết hợp lấy mẫu Monte Carlo với tính chất của Chuỗi Markov về hội tụ đến trạng thái ổn định. Điều này cho phép bạn lấy mẫu từ bất kỳ phân phối hậu nghiệm nào, kể cả khi chưa biết dạng. Hãy kiểm tra trực giác của bạn về MCMC!

Bài tập này là một phần của khóa học

Phân tích dữ liệu Bayesian với Python

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Phân tích dữ liệu Bayesian với Python

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Bắt đầu những bước đầu tiên trong thế giới Bayesian. Ở chương này, bạn sẽ được giới thiệu các khái niệm cơ bản về xác suất và phân phối thống kê, cũng như Định lý Bayes nổi tiếng, nền tảng của các phương pháp Bayesian. Cuối cùng, bạn sẽ xây dựng mô hình Bayesian đầu tiên để rút ra kết luận từ các lần tung đồng xu ngẫu nhiên.

Exercise 1: Bayes là ai? Bayes là gì?Exercise 2: Bayesian vs. frequentist Exercise 3: Phân phối xác suất Exercise 4: Xác suất và Định lý Bayes Exercise 5: Cùng chơi bài nào Exercise 6: Bộ lọc spam kiểu Bayesian Exercise 7: Xét nghiệm nói gì?Exercise 8: Nếm trải Bayes Exercise 9: Tung đồng xu Exercise 10: Tung càng nhiều, học càng nhiều Exercise 11: Ê, đồng xu này có công bằng không?

Đã đến lúc khám phá kỹ hơn bên trong Bayesian. Bạn sẽ học cách áp dụng Định lý Bayes vào dữ liệu hiệu quả thuốc để ước lượng các tham số của phân phối xác suất bằng kỹ thuật xấp xỉ lưới, và cập nhật các ước lượng này khi có dữ liệu mới. Tiếp theo, bạn sẽ học cách đưa kiến thức tiên nghiệm vào mô hình, rồi luyện tập kỹ năng quan trọng là báo cáo kết quả cho đối tượng không chuyên kỹ thuật.

Exercise 1: Bên dưới nắp ca-pô Bayesian Exercise 2: Tiến tới xấp xỉ lưới (grid approximation)Exercise 3: Xấp xỉ lưới khi chưa có tri thức tiên nghiệm Exercise 4: Cập nhật niềm tin hậu nghiệm Exercise 5: Niềm tin tiên nghiệm Exercise 6: Sự đúng đắn của tiên nghiệm Exercise 7: Chọn prior phù hợp Exercise 8: Mô phỏng các mẫu hậu nghiệm Exercise 9: Báo cáo kết quả Bayesian Exercise 10: Ước lượng điểm Exercise 11: Khoảng tin cậy mật độ hậu nghiệm cao nhất Exercise 12: Ý nghĩa của tính đáng tin cậy

Vận dụng các kỹ năng phân tích dữ liệu Bayesian vừa học để giải quyết bài toán kinh doanh thực tế. Bạn sẽ làm việc với dữ liệu marketing bán hàng trực tuyến để thực hiện A/B testing, phân tích quyết định và dự báo bằng các mô hình hồi quy tuyến tính.

Exercise 1: Kiểm định A/B Exercise 2: Mô phỏng posterior beta Exercise 3: Tỷ lệ click hậu nghiệm Exercise 4: A hay B, và bạn chắc đến mức nào?Exercise 5: Tệ đến mức nào?Exercise 6: Phân tích quyết định Exercise 7: Phân tích quyết định: chi phí Exercise 8: Phân tích quyết định: lợi nhuận Exercise 9: Hồi quy và dự báo Exercise 10: Xây dựng mô hình hồi quy Bayesian Exercise 11: Phân tích các tham số hồi quy Exercise 12: Phân phối dự đoán

Trong chương cuối, bạn sẽ tận dụng gói PyMC3 mạnh mẽ để fit các mô hình hồi quy Bayesian một cách dễ dàng, kiểm tra tính hội tụ của mô hình, lựa chọn giữa các mô hình cạnh tranh, và tạo dự đoán cho dữ liệu mới. Kết thúc, bạn sẽ áp dụng những gì đã học để tìm mức giá bơ tối ưu trong một bài nghiên cứu tình huống phân tích dữ liệu Bayesian. Chúc bạn học tốt!

Exercise 1: Markov Chain Monte Carlo và khớp mô hình Exercise 2: Markov Chain Monte Carlo

Bài tập hiện tại

Exercise 3: Lấy mẫu các giá trị hậu nghiệm Exercise 4: Diễn giải kết quả và so sánh mô hình Exercise 5: Kiểm tra các mẫu hậu nghiệm Exercise 6: So sánh mô hình bằng WAIC Exercise 7: Tạo dự đoán Exercise 8: Lấy mẫu từ mật độ dự báo Exercise 9: Ước lượng lỗi kiểm thử Exercise 10: Một quả bơ giá bao nhiêu?Exercise 11: Fit mô hình Exercise 12: Kiểm tra mô hình Exercise 13: Tối ưu hóa mức giá Exercise 14: Lời kết