Build your ultimate AI agent
Description du cours
Simuler des résultats avec SciPy et NumPy
Ce cours pratique présente les simulations de Monte Carlo et leurs cas d'utilisation. Les simulations de Monte Carlo sont utilisées pour estimer une gamme de résultats pour des événements incertains, et les bibliothèques Python telles que SciPy et NumPy permettent de créer rapidement et facilement vos propres simulations.Mettre en pratique de nouvelles compétences dans une simulation fondée sur des principes
Au fur et à mesure que vous apprendrez chaque étape de la création d'une simulation, vous appliquerez ces compétences en effectuant une simulation Monte Carlo fondée sur des principes à partir d'un ensemble de données sur les résultats de patients diabétiques. Vous utiliserez ensuite les résultats de votre simulation pour comprendre comment différentes variables influencent la progression du diabète.Apprenez à évaluer et à améliorer vos simulations
Vous passerez en revue les distributions de probabilité et apprendrez à choisir la distribution appropriée à utiliser dans votre simulation. Vous découvrirez également l'importance de la corrélation des entrées et de l'analyse de sensibilité des modèles. Enfin, vous apprendrez à communiquer les résultats de vos simulations à l'aide de la bibliothèque de visualisation Seaborn, largement utilisée.Prérequis
Programme de formation
Plan du cours
1
Introduction aux simulations de Monte Carlo
Que sont les simulations de Monte Carlo et quand sont‑elles utiles ? Après ces bases, vous apprendrez à réaliser des simulations simples, comme l’estimation de la valeur de pi. Vous verrez aussi le rééchantillonnage, un type particulier de simulation de Monte Carlo.
- Qu’est-ce qu’une simulation de Monte Carlo ?50 XP
- Simulation déterministe100 XP
- Nature stochastique de la simulation de Monte Carlo100 XP
- La loi des grands nombres100 XP
- Le rééchantillonnage, un type particulier de simulation de Monte Carlo50 XP
- Échantillonnage avec remise100 XP
- Visualisation des résultats du rééchantillonnage100 XP
- Entraînement à la permutation100 XP
- Exploiter les simulations de Monte Carlo50 XP
- Comprendre les simulations de Monte Carlo100 XP
- Simulation de dés appariés100 XP
2
Fondations pour Monte Carlo
Maintenant que vous savez exécuter des simulations simples, vous êtes prêt à explorer des applications concrètes des simulations de Monte Carlo dans divers secteurs. Vous aborderez ensuite le cœur d’une bonne simulation : l’échantillonnage à partir de la bonne loi de probabilité. Vous apprendrez les distributions pour des variables aléatoires discrètes, continues et multivariées.
3
Simulation de Monte Carlo fondée sur des principes
Une fois votre choix de loi de probabilité maîtrisé, vous suivrez un flux de travail rigoureux de simulation de Monte Carlo en utilisant un jeu de données sur les caractéristiques et résultats de patients diabétiques. Vous explorerez les données, réaliserez une simulation et produirez des statistiques descriptives pour communiquer vos résultats.
4
Vérification du modèle et interprétation des résultats
Découvrez comment évaluer vos modèles de Monte Carlo et communiquer les résultats avec des visualisations lisibles dans Seaborn. Enfin, utilisez l’analyse de sensibilité pour comprendre comment des changements dans les entrées du modèle influencent les résultats, et entraînez‑vous en simulant l’impact des variations des ventes et de l’inflation sur les bénéfices d’une entreprise !
Simulations de Monte Carlo en Python
Cours
terminé
