Build your ultimate AI agent
Описание курса
Моделируйте результаты с помощью SciPy и NumPy
Этот практический курс знакомит с симуляциями Монте-Карло и их областями применения. Моделирование Монте-Карло используется для оценки диапазона возможных результатов для неопределённых событий, а библиотеки Python, такие как SciPy и NumPy, делают создание собственных симуляций быстрым и простым!Применяйте новые навыки в принципиальной симуляции
По мере изучения каждого этапа создания симуляции вы будете применять эти навыки, выполняя обоснованную симуляцию Монте-Карло на наборе данных о результатах лечения пациентов с диабетом и используя результаты своей симуляции, чтобы понять, как различные переменные влияют на прогрессирование диабета.Узнайте, как оценивать и улучшать свои симуляции
Вы рассмотрите вероятностные распределения и поймёте, как выбрать подходящее распределение для использования в вашей симуляции, а также узнаете о важности корреляции входных данных и анализа чувствительности модели. Наконец, вы научитесь представлять результаты моделирования с помощью популярной библиотеки визуализации Seaborn.Предварительные требования
Программа
Структура курса
1
Введение в симуляции Монте-Карло
Что такое симуляции Монте-Карло и в каких случаях они полезны? Разобравшись с этими основополагающими вопросами, вы научитесь выполнять простые симуляции — например, оценивать значение числа пи. Кроме того, вы познакомитесь с повторной выборкой как особым видом симуляции Монте-Карло.
- Что такое метод Монте-Карло?50 XP
- Детерминированное моделирование100 XP
- Стохастическая природа симуляции Монте-Карло100 XP
- Закон больших чисел100 XP
- Ресэмплинг как особый вид метода Монте-Карло50 XP
- Выборка с возвращением100 XP
- Визуализация результатов ресэмплинга100 XP
- Практика перестановок100 XP
- Применение метода Монте-Карло50 XP
- Понимание симуляций Монте-Карло100 XP
- Симуляция парных кубиков100 XP
2
Основы метода Монте-Карло
Теперь, когда вы умеете запускать собственные простые симуляции, вы готовы изучить реальные применения метода Монте-Карло в различных отраслях. Затем вы перейдёте к ключевому вопросу: как выбрать правильное вероятностное распределение для качественной симуляции. Вы познакомитесь с распределениями для дискретных, непрерывных и многомерных случайных величин.
3
Принципы симуляции Монте-Карло
Освоив выбор вероятностного распределения, вы будете готовы применить принципиальный подход к симуляции Монте-Карло на наборе данных о характеристиках и исходах пациентов с диабетом. Вы исследуете данные, проведёте симуляцию и сформируете сводную статистику для представления результатов.
4
Проверка модели и интерпретация результатов
Узнайте, как оценивать модели Монте-Карло и представлять результаты с помощью наглядных визуализаций в Seaborn. Затем применяйте анализ чувствительности, чтобы понять, как изменения входных данных влияют на результаты, — и отработайте этот подход на примере симуляции влияния продаж и инфляции на прибыль компании.
Симуляции Монте-Карло на Python
Курс
завершён
