Vì sao chúng ta cần khám phá dữ liệu?

Khẳng định nào sau đây về việc khám phá dữ liệu để chuẩn bị cho mô phỏng Monte Carlo là không đúng?

Bài tập này là một phần của khóa học

Mô phỏng Monte Carlo 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

Mô phỏng Monte Carlo với Python

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Mô phỏng Monte Carlo là gì và khi nào chúng hữu ích? Sau khi giải đáp các câu hỏi nền tảng này, bạn sẽ học cách thực hiện các mô phỏng đơn giản như ước tính giá trị số pi. Bạn cũng sẽ tìm hiểu về tái lấy mẫu (resampling), một dạng đặc biệt của mô phỏng Monte Carlo.

Exercise 1: Mô phỏng Monte Carlo là gì?Exercise 2: Mô phỏng tất định Exercise 3: Bản chất ngẫu nhiên của mô phỏng Monte Carlo Exercise 4: Định luật số lớn Exercise 5: Tái lấy mẫu như một dạng đặc biệt của mô phỏng Monte Carlo Exercise 6: Lấy mẫu có hoàn lại Exercise 7: Trực quan hóa kết quả resampling Exercise 8: Luyện tập hoán vị (Permutation)Exercise 9: Khai thác sức mạnh của mô phỏng Monte Carlo Exercise 10: Tìm hiểu mô phỏng Monte Carlo Exercise 11: Mô phỏng cặp xúc xắc

Giờ đây khi bạn đã có thể chạy các mô phỏng đơn giản, bạn sẵn sàng khám phá ứng dụng thực tế của mô phỏng Monte Carlo trong nhiều ngành khác nhau. Tiếp đó, bạn sẽ đi vào cốt lõi của một mô phỏng hiệu quả: lấy mẫu từ phân phối xác suất đúng. Bạn sẽ tìm hiểu các phân phối xác suất cho biến ngẫu nhiên rời rạc, liên tục và đa biến.

Exercise 1: Quy trình Monte Carlo Exercise 2: Các bước của mô phỏng Monte Carlo Exercise 3: Tính toán tất định sai Exercise 4: Phân phối đầu vào sai Exercise 5: Sinh biến ngẫu nhiên rời rạc Exercise 6: Lấy mẫu từ phân phối đều rời rạc Exercise 7: Lấy mẫu từ phân phối hình học Exercise 8: Cá cược giữa Tom và Eva Exercise 9: Tạo biến ngẫu nhiên liên tục Exercise 10: Thay đổi giá trị trung bình của các phân phối chuẩn Exercise 11: Thay đổi độ lệch chuẩn của phân phối chuẩn Exercise 12: Hai phân phối chuẩn độc lập Exercise 13: Tạo biến ngẫu nhiên đa biến Exercise 14: Lấy mẫu đa thức (multinomial)Exercise 15: Khám phá phân phối chuẩn đa biến Exercise 16: Lấy mẫu phân phối chuẩn đa biến

Khi đã tự tin với lựa chọn phân phối xác suất, bạn sẵn sàng theo quy trình mô phỏng Monte Carlo có phương pháp, sử dụng một tập dữ liệu về đặc điểm và kết quả của bệnh nhân tiểu đường. Bạn sẽ khám phá dữ liệu, thực hiện mô phỏng và tạo thống kê tóm tắt để truyền đạt kết quả mô phỏng.

Exercise 1: Khám phá dữ liệu Exercise 2: Khám phá tc, ldl và hdl Exercise 3: Khám phá y, tc và cdl Exercise 4: Vì sao chúng ta cần khám phá dữ liệu?

Bài tập hiện tại

Exercise 5: Chọn phân phối xác suất Exercise 6: Thử các phân phối ứng viên khác Exercise 7: Dùng trực quan hóa để đoán phân phối Exercise 8: Các đầu vào có tương quan Exercise 9: So sánh dữ liệu mô phỏng và dữ liệu lịch sử Exercise 10: Mối quan hệ giữa ma trận tương quan và ma trận hiệp phương sai Exercise 11: Thống kê tóm tắt Exercise 12: Vì sao chúng ta cần mô phỏng?Exercise 13: Đánh giá kết quả BMI Exercise 14: Đánh giá kết quả BMI và HDL

Tìm hiểu cách đánh giá các mô hình Monte Carlo và truyền đạt kết quả bằng biểu đồ dễ đọc trong Seaborn. Cuối cùng, dùng phân tích độ nhạy để hiểu cách thay đổi ở đầu vào mô hình sẽ ảnh hưởng đến kết quả, và thực hành khái niệm này bằng cách mô phỏng việc lợi nhuận doanh nghiệp bị tác động ra sao trước thay đổi về doanh số và lạm phát!

Exercise 1: Đánh giá lựa chọn phân phối Exercise 2: Trực giác về các phân phối xác suất Exercise 3: Đánh giá độ khớp phân phối cho biến ldl Exercise 4: Trực quan hóa kết quả mô phỏng Exercise 5: Khám phá kết quả HDL và BMI Exercise 6: Khám phá với box plot Exercise 7: Phân tích độ nhạy Exercise 8: Mô phỏng một bài toán lợi nhuận Exercise 9: Phân tích độ nhạy của công ty Exercise 10: Phân tích độ nhạy với biểu đồ hexbin Exercise 11: Chúc mừng bạn!