Build your ultimate AI agent
รายละเอียดคอร์ส
จำลองผลลัพธ์ด้วย SciPy และ NumPy
หลักสูตรเชิงปฏิบัตินี้แนะนำการจำลองแบบมอนติคาร์โลและกรณีการใช้งานของมัน การจำลองแบบมอนติคาร์โลใช้เพื่อประมาณช่วงของผลลัพธ์สำหรับเหตุการณ์ที่ไม่แน่นอน และไลบรารี Python อย่าง SciPy และ NumPy ทำให้การสร้างการจำลองของคุณเองเป็นเรื่องรวดเร็วและง่ายดาย!นำทักษะใหม่ไปใช้ในการจำลองสถานการณ์อย่างมีหลักการ
เมื่อคุณเรียนรู้แต่ละขั้นตอนของการสร้างการจำลอง คุณจะนำทักษะเหล่านี้ไปใช้ด้วยการทำการจำลองแบบมอนติคาร์โลอย่างมีหลักการกับชุดข้อมูลผลลัพธ์ของผู้ป่วยเบาหวาน และใช้ผลลัพธ์จากการจำลองของคุณเพื่อทำความเข้าใจว่าตัวแปรต่าง ๆ ส่งผลต่อการดำเนินของโรคเบาหวานอย่างไรเรียนรู้วิธีประเมินและปรับปรุงการจำลองของคุณ
คุณจะได้ทบทวนการแจกแจงความน่าจะเป็นและทำความเข้าใจวิธีเลือกการแจกแจงที่เหมาะสมสำหรับใช้ในการจำลองของคุณ และคุณจะได้ค้นพบความสำคัญของความสัมพันธ์ของอินพุตและการวิเคราะห์ความไวของแบบจำลอง สุดท้าย คุณจะได้เรียนรู้วิธีสื่อสารผลการจำลองของคุณโดยใช้ไลบรารีการสร้างภาพข้อมูล Seaborn ที่ได้รับความนิยมข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
บทนำสู่ Monte Carlo Simulations
Monte Carlo Simulations คืออะไร และมีประโยชน์ในกรณีใดบ้าง? หลังจากตอบคำถามพื้นฐานเหล่านี้แล้ว จะได้เรียนรู้วิธีทำการจำลองอย่างง่าย เช่น การประมาณค่าของ pi รวมถึงเรียนรู้เกี่ยวกับ Resampling ซึ่งเป็น Monte Carlo Simulation รูปแบบพิเศษ
- Monte Carlo Simulation คืออะไร?50 XP
- การจำลองแบบ Deterministic100 XP
- ลักษณะสุ่มของการจำลอง Monte Carlo100 XP
- กฎของจำนวนมาก100 XP
- การรีแซมปลิงในฐานะ Monte Carlo Simulation รูปแบบพิเศษ50 XP
- การสุ่มตัวอย่างแบบใส่คืน100 XP
- การแสดงผลลัพธ์การ Resampling100 XP
- ฝึกใช้ Permutation100 XP
- การนำ Monte Carlo Simulations ไปใช้ประโยชน์50 XP
- ทำความเข้าใจ Monte Carlo Simulations100 XP
- การจำลองการทอยลูกเต๋าคู่100 XP
2
รากฐานของ Monte Carlo
เมื่อสามารถรันการจำลองอย่างง่ายได้แล้ว ก็พร้อมสำรวจการประยุกต์ใช้ Monte Carlo Simulations ในโลกจริงจากหลากหลายอุตสาหกรรม จากนั้นจะเจาะลึกหัวใจสำคัญของการจำลองที่ดี นั่นคือการสุ่มตัวอย่างจากการแจกแจงความน่าจะเป็นที่ถูกต้อง โดยครอบคลุมการแจกแจงสำหรับตัวแปรสุ่มแบบไม่ต่อเนื่อง ต่อเนื่อง และหลายตัวแปร
3
Monte Carlo Simulation อย่างมีหลักการ
เมื่อมั่นใจในการเลือกการแจกแจงความน่าจะเป็นแล้ว ก็พร้อมดำเนิน Monte Carlo Simulation อย่างมีหลักการโดยใช้ชุดข้อมูลลักษณะและผลลัพธ์ของผู้ป่วยโรคเบาหวาน จะได้สำรวจข้อมูล ทำการจำลอง และสร้างสถิติสรุปเพื่อสื่อสารผลของการจำลอง
4
การตรวจสอบโมเดลและการตีความผลลัพธ์
เรียนรู้วิธีประเมินโมเดล Monte Carlo และนำเสนอผลลัพธ์ด้วยการแสดงผลที่อ่านง่ายใน Seaborn จากนั้นใช้การวิเคราะห์ความไว (Sensitivity Analysis) เพื่อทำความเข้าใจว่าการเปลี่ยนแปลงอินพุตของโมเดลจะส่งผลต่อผลลัพธ์อย่างไร และฝึกฝนแนวคิดนี้ผ่านการจำลองผลกระทบของการเปลี่ยนแปลงยอดขายและอัตราเงินเฟ้อต่อกำไรทางธุรกิจ
Monte Carlo Simulations ใน Python
เรียนจบแล้ว
