After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis 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
Program kursu
Plan kursu
1
Wprowadzenie do symulacji Monte Carlo
Czym są symulacje Monte Carlo i kiedy warto je stosować? Po omówieniu tych podstawowych zagadnień nauczysz się przeprowadzać proste symulacje, takie jak szacowanie wartości liczby pi. Poznasz też próbkowanie ponowne – szczególny rodzaj symulacji Monte Carlo.
- Czym jest symulacja Monte Carlo?50 XP
- Symulacja deterministyczna100 XP
- Stochastyczna natura symulacji Monte Carlo100 XP
- Prawo wielkich liczb100 XP
- Resampling jako szczególny rodzaj symulacji Monte Carlo50 XP
- Próbkowanie ze zwracaniem100 XP
- Wizualizacja wyników próbkowania bootstrapowego100 XP
- Ćwiczenie z permutacją100 XP
- Zastosowania symulacji Monte Carlo50 XP
- Rozumienie symulacji Monte Carlo100 XP
- Symulacja z parą kości100 XP
2
Podstawy symulacji Monte Carlo
Skoro potrafisz już uruchamiać własne proste symulacje, czas poznać rzeczywiste zastosowania symulacji Monte Carlo w różnych branżach. Następnie zagłębisz się w sedno skutecznej symulacji: próbkowanie z właściwego rozkładu prawdopodobieństwa. Poznasz rozkłady prawdopodobieństwa dla dyskretnych, ciągłych i wielowymiarowych zmiennych losowych.
3
Usystematyzowana symulacja Monte Carlo
Gdy będziesz już pewnie wybierać rozkład prawdopodobieństwa, przejdziesz do usystematyzowanego procesu symulacji Monte Carlo opartego na zbiorze danych z charakterystyką i wynikami pacjentów z cukrzycą. Przeanalizujesz dane, przeprowadzisz symulację i wygenerujesz statystyki podsumowujące, które pozwolą ci zaprezentować jej wyniki.
4
Weryfikacja modelu i interpretacja wyników
Dowiesz się, jak oceniać modele Monte Carlo i komunikować wyniki za pomocą czytelnych wizualizacji w Seaborn. Na koniec skorzystasz z analizy wrażliwości, aby zrozumieć, jak zmiany danych wejściowych wpływają na wyniki modelu – przećwiczysz to na przykładzie symulacji wpływu sprzedaży i inflacji na zyski przedsiębiorstwa.
Symulacje Monte Carlo w Pythonie
Kurs
ukończony
