Build your ultimate AI agent
Kursbeskrivning
Simulera utfall med SciPy och NumPy
Denna praktiska kurs introducerar Monte Carlo-simuleringar och deras användningsområden. Monte Carlo-simuleringar används för att uppskatta ett spann av utfall för osäkra händelser, och Python-bibliotek som SciPy och NumPy gör det snabbt och enkelt att skapa dina egna simuleringar!Tillämpa nya färdigheter i en principfast simulering
När du lär dig varje steg i att skapa en simulering kommer du att tillämpa dessa färdigheter genom att utföra en principbaserad Monte Carlo-simulering på ett dataset med utfall för diabetespatienter och använda resultaten från din simulering för att förstå hur olika variabler påverkar diabetesprogression.Lär dig hur du bedömer och förbättrar dina simuleringar
Du kommer att gå igenom sannolikhetsfördelningar och förstå hur du väljer rätt fördelning att använda i din simulering, och du kommer att upptäcka vikten av korrelation mellan indata och känslighetsanalys av modellen. Slutligen lär du dig att kommunicera dina simuleringsresultat med hjälp av det populära visualiseringsbiblioteket Seaborn.Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till Monte Carlo-simuleringar
Vad är Monte Carlo-simuleringar och när är de användbara? Efter att ha gått igenom dessa grundläggande frågor lär du dig att utföra enkla simuleringar, till exempel att uppskatta värdet av pi. Du lär dig också om omsampling, en speciell typ av Monte Carlo-simulering.
- Vad är en Monte Carlo-simulering?50 XP
- Deterministisk simulering100 XP
- Monte Carlo-simuleringens stokastiska natur100 XP
- De stora talens lag100 XP
- Omsampling som en särskild typ av Monte Carlo-simulering50 XP
- Sampling med återläggning100 XP
- Visualisering av omsamplingsresultat100 XP
- Öva på permutation100 XP
- Att använda Monte Carlo-simuleringar50 XP
- Förstå Monte Carlo-simuleringar100 XP
- Simulering med parade tärningar100 XP
2
Grunder för Monte Carlo
Nu när du kan köra egna enkla simuleringar är du redo att utforska verkliga tillämpningar av Monte Carlo-simuleringar inom olika branscher. Därefter fördjupar du dig i kärnan av vad som gör en bra simulering: att ta urval från rätt sannolikhetsfördelning. Du lär dig om sannolikhetsfördelningar för diskreta, kontinuerliga och multivariata slumpvariabler.
3
Strukturerade Monte Carlo-simuleringar
När du känner dig trygg med valet av sannolikhetsfördelning är du redo att följa ett strukturerat arbetsflöde för Monte Carlo-simuleringar med hjälp av ett dataset med diabetespatienters egenskaper och utfall. Du utforskar data, genomför en simulering och beräknar sammanfattande statistik för att kommunicera dina simuleringsresultat.
4
Modellkontroll och tolkning av resultat
Lär dig att utvärdera dina Monte Carlo-modeller och kommunicera resultaten med lättlästa visualiseringar i Seaborn. Därefter använder du känslighetsanalys för att förstå hur förändringar i modellinputs påverkar dina resultat, och du övar på begreppet genom att simulera hur företagsvinster påverkas av förändringar i försäljning och inflation!
Monte Carlo-simuleringar i Python
Kurs
slutförd
