Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Simular resultados con SciPy y NumPy
Este curso práctico presenta las simulaciones Monte Carlo y sus casos de uso. Las simulaciones Monte Carlo se utilizan para estimar una serie de resultados para sucesos inciertos, y las bibliotecas de Python como SciPy y NumPy hacen que crear tus propias simulaciones sea rápido y fácil.Aplica nuevas habilidades en una simulación basada en principios
A medida que aprendas cada paso de la creación de una simulación, aplicarás estas habilidades realizando una simulación Monte Carlo basada en principios sobre un conjunto de datos de resultados de pacientes con diabetes y utilizarás los resultados de tu simulación para comprender cómo influyen las distintas variables en la progresión de la diabetes.Aprende a evaluar y mejorar tus simulaciones
Revisarás las distribuciones de probabilidad y comprenderás cómo elegir la distribución adecuada para utilizarla en tu simulación, y descubrirás la importancia de la correlación de entrada y el análisis de sensibilidad del modelo. Por último, aprenderás a comunicar los resultados de tu simulación utilizando la popular biblioteca de visualización Seaborn.Requisitos previos
Programa de formación
Contenido del curso
1
Introducción a las simulaciones Montecarlo
¿Qué son las simulaciones Montecarlo y cuándo son útiles? Después de cubrir estas cuestiones fundamentales, aprenderás a realizar simulaciones sencillas, como calcular el valor de pi. También aprenderás sobre el remuestreo, un tipo especial de simulación Montecarlo.
- ¿Qué es una simulación Montecarlo?50 XP
- Simulación determinista100 XP
- Naturaleza estocástica de la simulación Montecarlo100 XP
- La ley de los grandes números100 XP
- El remuestreo como tipo especial de simulación Montecarlo50 XP
- Muestreo con sustitución100 XP
- Visualización de los resultados del remuestreo100 XP
- Práctica de permutación100 XP
- Aprovechamiento de las simulaciones Montecarlo50 XP
- Qué son las simulaciones Montecarlo100 XP
- Simulación de dados emparejados100 XP
2
Fundamentos de Montecarlo
Ahora que puedes ejecutar tus propias simulaciones sencillas, estarás preparado para explorar la aplicación en el mundo real de las simulaciones Montecarlo en diversos sectores. A continuación, te sumergirás en el corazón de lo que hace que una buena simulación funcione: el muestreo a partir de la distribución de probabilidad correcta. Aprenderás sobre distribuciones de probabilidad para variables aleatorias discretas, continuas y multivariante.
3
Simulación Montecarlo basada en principios
Una vez que te sientas cómodo con tu elección de distribución de probabilidad, estarás preparado para seguir un flujo de trabajo de simulación Montecarlo basada en principios, utilizando un conjunto de datos de características y resultados de pacientes con diabetes. Explorarás los datos, realizarás una simulación y generarás estadísticas resumidas para comunicar los resultados de tu simulación.
4
Comprobación del modelo e interpretación de los resultados
Descubre cómo evaluar tus modelos Montecarlo y comunicar los resultados con visualizaciones fáciles de leer en Seaborn. Por último, utiliza el análisis de sensibilidad para comprender cómo afectarán a tus resultados los cambios en las entradas del modelo y practica este concepto simulando cómo afectan a los beneficios empresariales los cambios en las ventas y la inflación.
Simulaciones Montecarlo en Python
Curso
completado
