L'objectif de ce cours est de présenter PyMC3 pour la modélisation et l'inférence bayésienne. Les participants commenceront par apprendre les bases de PyMC3 et apprendront à effectuer une inférence évolutive pour une variété de problèmes. Ce sera le dernier cours d'une spécialisation de trois cours .Python et Jupyter notebooks seront utilisés tout au long de ce cours pour illustrer et effectuer la modélisation bayésienne avec PyMC3.... Le site web du cours se trouve à l'adresse suivante : https://sjster.github.io/introduction_to_computational_statistics/docs/index.html. Les carnets de notes du cours peuvent être téléchargés à partir de ce site web en suivant les instructions de la page https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html. L'instructeur de ce cours sera le Dr. Srijith Rajamohan.
Introduction à PyMC3 pour la modélisation et l'inférence bayésienne
Ce cours fait partie de Spécialisation Introduction aux statistiques informatiques pour les scientifiques des données
Instructeur : Dr. Srijith Rajamohan
2 390 déjà inscrits
Inclus avec 
(20 avis)
Expérience recommandée
Ce que vous apprendrez
1. Le cadre PyMC3/ArViz pour la modélisation et l'inférence bayésienne
2. Construisez des modèles réels en utilisant PyMC3 et évaluez la qualité de vos modèles
Compétences que vous acquerrez
- Catégorie : PyMC3
- Catégorie : Scipy
- Catégorie : Méthode de Monte Carlo
- Catégorie : Programmation en Python
- Catégorie : Inférence bayésienne
Détails à connaître
Ajouter à votre profil LinkedIn
3 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 4 modules dans ce cours
Ce module sert d'introduction au cadre PyMC3 pour la programmation probabiliste. Il présente certains concepts liés à la modélisation et à la syntaxe de PyMC3. La bibliothèque de visualisation ArViz, intégrée à PyMC3, sera également présentée. Le site web du cours est https://sjster.github.io/introduction_to_computational_statistics/docs/Production/PyMC3.html. Les instructions pour télécharger et exécuter les notebooks sont disponibles à l'adresse https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html
Inclus
12 vidéos3 lectures1 devoir
Ce module enseigne les bases de l'utilisation de PyMC3 pour résoudre des problèmes de régression et de classification à l'aide de PyMC3. Il montrera également comment traiter les valeurs aberrantes dans vos données et créer des modèles hiérarchiques. Enfin, une étude de cas est présentée pour aider à appliquer tout ce qui a été appris dans les modules 1 et 2. Le site web du cours est https://sjster.github.io/introduction_to_computational_statistics/docs/Production/PyMC3.html#linear-regression-again. Les instructions pour télécharger et exécuter les ordinateurs portables sont disponibles à l'adresse https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html
Inclus
14 vidéos1 devoir
Ce module présente différentes mesures et métriques permettant d'évaluer la qualité des solutions déduites à l'aide de PyMC3. Des exemples pratiques sont utilisés pour illustrer comment diverses méthodes et visualisations peuvent être utilisées dans PyMC3. Enfin, un bref aperçu de la manière de déboguer les algorithmes PyMC3 est fourni. Le site web du cours est https://sjster.github.io/introduction_to_computational_statistics/docs/Production/PyMC3.html#mcmc-metrics. Les instructions pour télécharger et exécuter les carnets de notes sont disponibles à l'adresse https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html
Inclus
11 vidéos3 lectures1 devoir
Il s'agit d'un projet final non noté. Nous utiliserons tout ce que nous avons appris dans ce cours pour modéliser la dynamique de la maladie COVID-19 à l'aide d'un modèle SIR. En utilisant des données réelles, l'objectif serait de déduire les paramètres du modèle SIR pour le COVID-19.
Inclus
1 plugin
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
Rice University
University of Michigan
University of California San Diego
The University of Chicago
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
20 avis
- 5 stars
45 %
- 4 stars
25 %
- 3 stars
15 %
- 2 stars
5 %
- 1 star
10 %
Affichage de 3 sur 20
Révisé le 21 avr. 2023
Good introduction to the topic. Thanks!
Révisé le 14 sept. 2022
Great capstone providing useful practice and tools for applying the concepts.
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.
Si vous vous êtes abonné, vous bénéficiez d'une période d'essai gratuite de 7 jours pendant laquelle vous pouvez annuler votre abonnement sans pénalité. Après cette période, nous ne remboursons pas, mais vous pouvez résilier votre abonnement à tout moment. Consultez notre politique de remboursement complète.