L'objectif de ce cours est de présenter les méthodes de Monte Carlo par chaîne de Markov pour la modélisation et l'inférence bayésienne. Les participants commenceront par apprendre les bases des méthodes de Monte Carlo. Les participants commenceront par apprendre les bases des méthodes de Monte Carlo, qui seront complétées par des exemples pratiques en Python qui seront utilisés pour illustrer le fonctionnement de ces algorithmes. Il s'agit du deuxième cours d'une spécialisation de trois cours. Python et Jupyter notebooks seront utilisés tout au long de ce cours pour illustrer et réaliser la modélisation bayésienne avec PyMC3. Le site web du cours se trouve à l'adresse https://sjster.github.io/introduction_to_computational_statistics/docs/index.html. Les notebooks 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.
Durée limitée ! Obtenez Coursera Plus avec 30 % de réduction.
Réinitialiser. Réinventer. Atteindre de nouveaux objectifs professionnels. Profitez de votre offre maintenant.
Inférence bayésienne avec MCMC
Ce cours fait partie de Spécialisation Introduction aux statistiques informatiques pour les scientifiques des données
Enseigné en Anglais
Certains éléments de contenu peuvent ne pas être traduits
Instructeur : Dr. Srijith Rajamohan
2 212 déjà inscrits
Inclus avec 
Cours
(20 avis)
Expérience recommandée
Ce que vous apprendrez
1. Algorithmes de Monte Carlo par chaîne de Markov
2. Mise en œuvre de ce qui précède en Python
3. Évaluer les performances des modèles bayésiens
Compétences que vous acquerrez
- Catégorie : Bayésien
- Catégorie : Scipy
- Catégorie : Scikit-Learn
- Catégorie : MCMC
Détails à connaître
Ajouter à votre profil LinkedIn
3 quizzes
Cours
(20 avis)
Expérience recommandée
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 3 modules dans ce cours
Ce module donne un aperçu des sujets liés à l'évaluation de la qualité des modèles. Bien que certaines de ces mesures puissent être familières à ceux qui ont une formation en apprentissage automatique, l'objectif est d'attirer l'attention sur les concepts ancrés dans la théorie de l'information. Le site web du cours est https://sjster.github.io/introduction_to_computational_statistics/docs/Production/BayesianInference.html. Les instructions pour télécharger et exécuter les carnets de notes se trouvent à l'adresse https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html
Inclus
13 vidéos5 lectures1 quiz
Ce module sert d'introduction aux méthodes de Monte Carlo par chaînes de Markov. L'idée générale des chaînes de Markov est présentée ainsi que leur rôle dans l'échantillonnage de distributions. Les algorithmes de Metropolis et Metropolis-Hastings sont introduits et implémentés en Python pour aider à illustrer leurs détails. Le site web du cours est https://sjster.github.io/introduction_to_computational_statistics/docs/Production/MonteCarlo.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
8 vidéos1 lecture1 quiz2 plugins
Ce module est la suite du module 2 et présente l'échantillonnage de Gibbs et l'algorithme de Monte Carlo Hamiltonien (HMC) pour déduire des distributions. L'algorithme de l'échantillonneur de Gibbs est illustré en détail, tandis que le HMC est traité à un niveau plus élevé en raison de la complexité de l'algorithme. Enfin, certaines propriétés des algorithmes MCMC sont présentées pour préparer le cours 3 qui utilise le cadre probabiliste populaire PyMC3. Le site web du cours est https://sjster.github.io/introduction_to_computational_statistics/docs/Production/MonteCarlo.html#gibbs-sampling. Les instructions pour télécharger et exécuter les carnets sont disponibles à l'adresse https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html
Inclus
7 vidéos2 lectures1 quiz1 plugin
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
Duke University
University of California, Santa Cruz
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, 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.