Ziel dieses Kurses ist die Einführung in Markov Chain Monte Carlo Methoden für Bayes'sche Modellierung und Inferenz. Die Teilnehmer lernen zunächst die Grundlagen der Monte Carlo Methoden kennen. Ergänzt wird dies durch praktische Beispiele in Python, die die Funktionsweise dieser Algorithmen veranschaulichen. Dies ist der zweite Kurs einer Spezialisierung von drei Kursen, in denen Python und Jupyter Notebooks verwendet werden, um die Bayes'sche Modellierung mit PyMC3 zu veranschaulichen und durchzuführen. Die Kurs-Website finden Sie unter https://sjster.github.io/introduction_to_computational_statistics/docs/index.html. Die Kursnotizbücher können von dieser Website heruntergeladen werden, indem Sie den Anweisungen auf der Seite https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html folgen. Der Dozent für diesen Kurs ist Dr. Srijith Rajamohan.
Bayessche Inferenz mit MCMC
Dieser Kurs ist Teil von Spezialisierung Einführung in die Computergestützte Statistik für Datenwissenschaftler
Dozent: Dr. Srijith Rajamohan
2.322 bereits angemeldet
Bei 
enthalten
(20 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
1. Markov-Ketten-Monte-Carlo-Algorithmen
2. Implementierung der oben genannten Algorithmen in Python
3. Bewerten Sie die Leistung von Bayes'schen Modellen
Kompetenzen, die Sie erwerben
- Kategorie: Bayesianisch
- Kategorie: Scipy
- Kategorie: Scikit-Learn
- Kategorie: MCMC
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
3 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 3 Module
Dieses Modul gibt einen Überblick über Themen, die mit der Bewertung der Qualität von Modellen zusammenhängen. Während einige dieser Metriken denjenigen, die sich mit maschinellem Lernen auskennen, vertraut sein dürften, geht es darum, das Bewusstsein für die in der Informationstheorie verwurzelten Konzepte zu schärfen. Die Kurs-Website ist https://sjster.github.io/introduction_to_computational_statistics/docs/Production/BayesianInference.html. Anweisungen zum Herunterladen und Ausführen der Notebooks finden Sie unter https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html
Das ist alles enthalten
13 Videos5 Lektüren1 Aufgabe
Dieses Modul dient als sanfte Einführung in Markov-Ketten-Monte-Carlo-Methoden. Die allgemeine Idee hinter Markov-Ketten wird ebenso vorgestellt wie ihre Rolle bei der Stichprobenziehung aus Verteilungen. Die Metropolis- und Metropolis-Hastings-Algorithmen werden vorgestellt und in Python implementiert, um ihre Details zu veranschaulichen. Die Kurs-Website ist https://sjster.github.io/introduction_to_computational_statistics/docs/Production/MonteCarlo.html. Anweisungen zum Herunterladen und Ausführen der Notebooks finden Sie unter https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html
Das ist alles enthalten
8 Videos1 Lektüre1 Aufgabe2 Plug-ins
Dieses Modul ist eine Fortsetzung von Modul 2 und stellt Gibbs-Sampling- und Hamiltonian Monte Carlo (HMC)-Algorithmen zur Ableitung von Verteilungen vor. Der Gibbs-Sampler-Algorithmus wird im Detail erläutert, während der HMC-Algorithmus aufgrund seiner Komplexität eher auf hohem Niveau behandelt wird. Schließlich werden einige Eigenschaften von MCMC-Algorithmen vorgestellt, um die Voraussetzungen für Kurs 3 zu schaffen, der das beliebte probabilistische Framework PyMC3 verwendet. Die Kurs-Website ist https://sjster.github.io/introduction_to_computational_statistics/docs/Production/MonteCarlo.html#gibbs-sampling. Anweisungen zum Herunterladen und Ausführen der Notebooks finden Sie unter https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html
Das ist alles enthalten
7 Videos2 Lektüren1 Aufgabe1 Plug-in
Dozent
von
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
Databricks
Duke University
University of California, Santa Cruz
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.