Kurs
Symulacje Monte Carlo w Pythonie
ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 04.2026
PythonProbability & Statistics4 godz.15 filmów52 Ćwiczenia4,350 XP8,386Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Uwielbiany przez kursantów z tysięcy firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Symuluj wyniki za pomocą SciPy i NumPy
Ten praktyczny kurs wprowadza w symulacje Monte Carlo i ich zastosowania. Symulacje Monte Carlo służą do szacowania zakresu możliwych wyników dla niepewnych zdarzeń, a biblioteki Pythona, takie jak SciPy i NumPy, sprawiają, że tworzenie własnych symulacji jest szybkie i łatwe!Zastosuj nowe umiejętności w symulacji opartej na zasadach
W miarę jak poznajesz każdy etap tworzenia symulacji, zastosujesz te umiejętności, przeprowadzając opartą na zasadach symulację Monte Carlo na zbiorze danych dotyczących wyników leczenia pacjentów z cukrzycą i wykorzystasz wyniki swojej symulacji, aby zrozumieć, jak różne zmienne wpływają na postęp cukrzycy.Dowiedz się, jak oceniać i ulepszać swoje symulacje
Przeanalizujesz rozkłady prawdopodobieństwa i dowiesz się, jak wybrać odpowiedni rozkład do wykorzystania w swojej symulacji, a także odkryjesz znaczenie korelacji wejściowej i analizy wrażliwości modelu. Na koniec nauczysz się komunikować wyniki swoich symulacji za pomocą popularnej biblioteki wizualizacyjnej Seaborn.Wymagania wstępne
Sampling in Python1
Introduction to Monte Carlo Simulations
What are Monte Carlo simulations and when are they useful? After covering these foundational questions, you’ll learn how to perform simple simulations such as estimating the value of pi. You’ll also learn about resampling, a special type of Monte Carlo Simulation.
2
Foundations for Monte Carlo
Now that you can run your own simple simulations, you’re ready to explore real-world application of Monte Carlo simulations across various industries. Then, you’ll dive into the heart of what makes a good simulation work: sampling from the correct probability distribution. You’ll learn about probability distributions for discrete, continuous, and multivariate random variables.
3
Principled Monte Carlo Simulation
Once you’re comfortable with your choice of probability distribution, you’re ready to follow a principled Monte Carlo simulation workflow using a dataset of diabetes patient characteristics and outcomes. You will explore the data, perform a simulation, and generate summary statistics to communicate your simulation results.
4
Model Checking and Results Interpretation
Discover how to evaluate your Monte Carlo models and communicate the results with easy-to-read visualizations in Seaborn. Finally, use sensitivity analysis to understand how changes to model inputs will impact your results, and practice this concept by simulating how business profits are impacted by changes to sales and inflation!
Symulacje Monte Carlo w Pythonie
Kurs ukończony
Zdobądź zaświadczenie o ukończeniu
Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz
Dołącz do ponad 19 milionów kursantów i zacznij Symulacje Monte Carlo w Pythonie już dziś!
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.