After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Моделюйте результати за допомогою SciPy та NumPy
Цей практичний курс знайомить із симуляціями Монте-Карло та їхніми варіантами використання. Моделювання Монте-Карло використовується для оцінювання діапазону можливих результатів невизначених подій, а бібліотеки Python, такі як SciPy та NumPy, роблять створення власних симуляцій швидким і простим!Застосуйте нові навички в принциповій симуляції
У міру того як ви опановуватимете кожен етап створення симуляції, ви застосуєте ці навички, виконавши обґрунтовану симуляцію Монте-Карло на наборі даних про результати лікування пацієнтів із діабетом, і використаєте результати своєї симуляції, щоб зрозуміти, як різні змінні впливають на прогресування діабету.Дізнайтеся, як оцінювати та вдосконалювати свої симуляції
Ви переглянете розподіли ймовірностей і зрозумієте, як обрати правильний розподіл для використання у вашій симуляції, а також дізнаєтеся про важливість кореляції вхідних даних і аналізу чутливості моделі. Нарешті, ви навчитеся доносити результати своїх симуляцій за допомогою популярної бібліотеки візуалізації Seaborn.Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до моделювання Монте-Карло
Що таке моделювання Монте-Карло і коли воно корисне? Після відповіді на ці базові запитання ви навчитеся виконувати прості симуляції, наприклад оцінювати значення числа пі. Також ви дізнаєтеся про ресемплінг — особливий тип моделювання Монте-Карло.
- Що таке моделювання Монте-Карло?50 XP
- Детермінована симуляція100 XP
- Стохастична природа моделювання Монте-Карло100 XP
- Закон великих чисел100 XP
- Перевибірка як особливий тип моделювання Монте-Карло50 XP
- Вибірка з поверненням100 XP
- Візуалізація результатів ресемплінгу100 XP
- Тренування з пермутаціями100 XP
- Використання Monte Carlo-симуляцій50 XP
- Розуміння моделювання Монте-Карло100 XP
- Моделювання пари гральних кісток100 XP
2
Основи для Монте-Карло
Тепер, коли ви можете запускати прості симуляції, ви готові дослідити реальне застосування моделювання Монте-Карло в різних галузях. Далі ви зануритеся в суть того, що робить симуляцію якісною: вибір правильного розподілу ймовірностей для вибірки. Ви дізнаєтеся про розподіли ймовірностей для дискретних, неперервних і багатовимірних випадкових величин.
3
Принципове моделювання Монте-Карло
Коли ви визначилися з розподілом ймовірностей, ви готові дотримуватися принципового робочого процесу моделювання Монте-Карло, використовуючи набір даних про характеристики пацієнтів із діабетом і їхні результати. Ви дослідите дані, виконаєте симуляцію та згенеруєте підсумкову статистику, щоб донести результати моделювання.
4
Перевірка моделі та інтерпретація результатів
Дізнайтеся, як оцінювати свої моделі Монте-Карло та презентувати результати за допомогою наочних візуалізацій у Seaborn. Нарешті, проведіть аналіз чутливості, щоб зрозуміти, як зміни у вхідних даних моделі впливають на результати, і потренуйтеся на прикладі симуляції впливу змін у продажах і інфляції на прибуток бізнесу!
Моделювання Монте-Карло в Python
Курс
завершено
