Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
L’analyse de données bayésienne est une méthode d’inférence statistique de plus en plus utilisée, qui permet d’estimer des probabilités conditionnelles sans s’appuyer sur des constantes fixes comme les niveaux de confiance ou les p‑values. Dans ce cours, vous découvrirez le fonctionnement de l’approche bayésienne, en quoi elle diffère de l’approche classique, et pourquoi elle est indispensable dans votre boîte à outils de data scientist. Vous vous familiariserez avec l’A/B testing, l’analyse de décision et la régression linéaire dans une perspective bayésienne, en analysant des données réelles de publicité, de ventes et de location de vélos. Enfin, vous prendrez en main la bibliothèque PyMC3, qui vous aidera à concevoir, ajuster et interpréter des modèles bayésiens.
Prérequis
Programme de formation
Plan du cours
1
La voie bayésienne
Faites vos premiers pas dans l’univers bayésien. Dans ce chapitre, vous découvrirez les notions essentielles de probabilité et de distributions statistiques, ainsi que le célèbre théorème de Bayes, pierre angulaire des méthodes bayésiennes. Pour finir, vous construirez votre premier modèle bayésien afin de tirer des conclusions à partir de lancers de pièce aléatoires.
- Qui est Bayes ? Qu’est-ce que Bayes ?50 XP
- Bayésiens vs. Fréquentistes100 XP
- Lois de probabilité100 XP
- Probabilités et théorème de Bayes50 XP
- Jouons aux cartes100 XP
- Filtre antispam bayésien100 XP
- Que dit le test ?50 XP
- Goûter au Bayes50 XP
- Lancer une pièce100 XP
- Plus vous lancez, plus vous apprenez100 XP
- Alors, cette pièce est-elle équilibrée ?100 XP
2
Estimation bayésienne
Il est temps de soulever le capot bayésien. Vous apprendrez à appliquer le théorème de Bayes à des données d’efficacité d’un médicament pour estimer les paramètres de distributions de probabilité à l’aide de la technique d’approximation par grille, puis à mettre à jour ces estimations à mesure que de nouvelles données arrivent. Ensuite, vous verrez comment intégrer des connaissances a priori dans le modèle, avant de vous exercer à l’indispensable compétence de restitution des résultats à un public non technique.
3
Inférence bayésienne
Mettez en pratique vos nouvelles compétences en analyse bayésienne pour résoudre des problématiques métiers réelles. Vous travaillerez sur des données de marketing de ventes en ligne pour mener des tests A/B, de l’analyse de décision et de la prévision avec des modèles de régression linéaire.
4
Régression linéaire bayésienne avec pyMC3
Dans ce dernier chapitre, vous exploiterez la puissance du package PyMC3 pour ajuster facilement des modèles de régression bayésiens, vérifier la convergence d’un modèle, choisir entre des modèles concurrents et générer des prédictions pour de nouvelles données. Pour conclure, vous appliquerez ce que vous avez appris afin de déterminer le prix optimal des avocats dans une étude de cas d’analyse bayésienne. Bonne chance !
Analyse de données bayésienne en Python
Cours
terminé
