Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Simuliere Ergebnisse mit SciPy und NumPy
Dieser praktische Kurs zeigt dir Monte-Carlo-Simulationen und wie man sie anwendet. Monte-Carlo-Simulationen helfen dabei, verschiedene mögliche Ergebnisse für ungewisse Ereignisse zu schätzen, und Python-Bibliotheken wie SciPy und NumPy machen es echt einfach, eigene Simulationen zu erstellen!Neue Fähigkeiten in einer prinzipienbasierten Simulation anwenden
Während du die einzelnen Schritte zur Erstellung einer Simulation lernst, wirst du diese Fähigkeiten anwenden, indem du eine prinzipielle Monte-Carlo-Simulation anhand eines Datensatzes mit Ergebnissen von Diabetespatienten durchführst. Anhand der Ergebnisse deiner Simulation wirst du verstehen, wie sich verschiedene Variablen auf den Verlauf von Diabetes auswirken.Lerne, wie du deine Simulationen bewerten und verbessern kannst
Du wirst Wahrscheinlichkeitsverteilungen anschauen und lernen, wie du die richtige Verteilung für deine Simulation auswählst. Außerdem wirst du die Bedeutung der Eingabekorrelation und der Modellsensitivitätsanalyse entdecken. Zum Schluss lernst du, wie du deine Simulationsergebnisse mit der beliebten Visualisierungsbibliothek Seaborn zeigen kannst.Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in Monte-Carlo-Simulationen
Was sind Monte-Carlo-Simulationen und wann sind sie nützlich? Nachdem wir diese grundlegenden Fragen geklärt haben, lernst du, einfache Simulationen durchzuführen, zum Beispiel zur Schätzung des Werts von Pi. Außerdem lernst du Resampling kennen – eine besondere Art der Monte-Carlo-Simulation.
- Was ist eine Monte-Carlo-Simulation?50 XP
- Deterministische Simulation100 XP
- Stochastische Natur der Monte-Carlo-Simulation100 XP
- Das Gesetz der großen Zahlen100 XP
- Resampling als besondere Art der Monte-Carlo-Simulation50 XP
- Ziehen mit Zurücklegen100 XP
- Visualisierung der Resampling-Ergebnisse100 XP
- Permutation üben100 XP
- Monte-Carlo-Simulationen nutzen50 XP
- Monte-Carlo-Simulationen verstehen100 XP
- Simulation mit gepaarten Würfeln100 XP
2
Grundlagen für Monte Carlo
Jetzt, da du eigene einfache Simulationen ausführen kannst, bist du bereit, reale Anwendungsfälle von Monte-Carlo-Simulationen in verschiedenen Branchen zu erkunden. Anschließend tauchst du in den Kern dessen ein, was gute Simulationen ausmacht: das Sampling aus der richtigen Wahrscheinlichkeitsverteilung. Du erfährst mehr über Verteilungen für diskrete, kontinuierliche und multivariate Zufallsvariablen.
3
Fundierte Monte-Carlo-Simulation
Sobald du dich mit deiner Wahl der Wahrscheinlichkeitsverteilung wohlfühlst, folgst du einem fundierten Workflow für Monte-Carlo-Simulationen mithilfe eines Datensatzes mit Merkmalen und Ergebnissen von Diabetes-Patienten. Du explorierst die Daten, führst eine Simulation durch und erzeugst Kennzahlen, um deine Simulationsergebnisse zu kommunizieren.
4
Modellprüfung und Ergebnisinterpretation
Finde heraus, wie du deine Monte-Carlo-Modelle bewertest und die Ergebnisse mit gut lesbaren Visualisierungen in Seaborn vermittelst. Nutze zum Schluss eine Sensitivitätsanalyse, um zu verstehen, wie Änderungen der Modelleingaben deine Ergebnisse beeinflussen, und übe das Konzept, indem du simulierst, wie sich Änderungen bei Umsatz und Inflation auf den Unternehmensgewinn auswirken!
Monte-Carlo-Simulationen in Python
Kurs
abgeschlossen
