Ce cours fait partie de la Spécialisation Introduction to Computational Statistics for Data Scientists

3.6
étoiles
14 évaluations

Dr. Srijith Rajamohan

Offert par

Spécialisation Introduction to Computational Statistics for Data ScientistsDatabricks

À propos de ce cours

2 757 consultations récentes

The objective of this course is to introduce PyMC3 for Bayesian Modeling and Inference,  The attendees will start off by learning the the basics of PyMC3 and learn how to perform scalable inference for a variety of problems. This will be the final course in a specialization of three courses .Python and Jupyter notebooks will be used throughout this course to illustrate and perform Bayesian modeling with PyMC3.. The course website is located at https://sjster.github.io/introduction_to_computational_statistics/docs/index.html. The course notebooks can be downloaded from this website by following the instructions on page https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html.
The instructor for this course will be Dr. Srijith Rajamohan.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 3 sur 3 dans le

Spécialisation Introduction to Computational Statistics for Data Scientists

Niveau débutant

1. Experience with Data Science using the PyData Stack of NumPy, SciPy, Pandas, Scikit-learn.

2. Course 1 & 2 in this Specialization.

Approx. 12 heures pour terminer

Anglais

Votre entreprise pourrait-elle bénéficier de la formation des employés à des compétences recherchées ?

Essayez Coursera pour les affaires

Ce que vous allez apprendre

1. The PyMC3/ArViz framework for Bayesian modeling and inference
2. Build real-world models using PyMC3 and assess the quality of your models

Compétences que vous acquerrez

Bayesian Inference
Python Programming
Monte Carlo Method
PyMC3
Scipy

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 3 sur 3 dans le

Spécialisation Introduction to Computational Statistics for Data Scientists

Niveau débutant

1. Experience with Data Science using the PyData Stack of NumPy, SciPy, Pandas, Scikit-learn.

2. Course 1 & 2 in this Specialization.

Approx. 12 heures pour terminer

Anglais

Votre entreprise pourrait-elle bénéficier de la formation des employés à des compétences recherchées ?

Essayez Coursera pour les affaires

Enseignant

Dr. Srijith Rajamohan

Sr. Developer Advocate (Data Science)

4 233 étudiants

3 cours

Offert par

Databricks

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

Programme de cours : ce que vous apprendrez dans ce cours

Semaine

Semaine 1

2 heures pour terminer

Introduction to PyMC3 - Part 1

This module serves as an introduction to the PyMC3 framework for probabilistic programming. It introduces some of the concepts related to modeling and the PyMC3 syntax. The visualization library ArViz, that is integrated into PyMC3, will also be introduced. The course website is https://sjster.github.io/introduction_to_computational_statistics/docs/Production/PyMC3.html. Instructions to download and run the notebooks are at https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html

2 heures pour terminer

12 vidéos (Total 48 min), 3 lectures, 1 quiz

12 vidéos

Welcome to Course 3!46s

Probabilistic Programming with PyMC35 min

An introduction to PyMC3 5 min

Inference with PyMC34 min

Composition of Distributions1 min

HPD, HDI and ROPE4 min

Credible and Confidence Intervals3 min

Modeling with a Gaussian Distribution6 min

Posterior Predictive Checks3 min

Robust Models3 min

Hierarchical Models6 min

Shrinkage in Hierarchical Models4 min

3 lectures

What can you expect from this course/specialization?10 min

Probabilistic Programming Frameworks30 min

Plate Notation30 min

1 exercice pour s'entraîner

PyMC3 - I30 min

Semaine

Semaine 2

1 heure pour terminer

Introduction to PyMC3 - Part 2

This module will teach the basics of using PyMC3 to solve regression and classification problems using PyMC3. It will also show how to deal with outliers in your data and create hierarchical models. Finally, a case study is presented to help apply everything that was learned in Module 1 and 2. The course website ishttps://sjster.github.io/introduction_to_computational_statistics/docs/Production/PyMC3.html#linear-regression-again. Instructions to download and run the notebooks are at https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html

1 heure pour terminer

14 vidéos (Total 47 min)

14 vidéos

Linear Regression3 min

Mean-centering for Linear Regression2 min

Robust Linear Regression2 min

Hierarchical Linear Regression5 min

Polynomial Linear Regression3 min

Multiple Linear Regression2 min

Logistic Regression2 min

Logistic Regression with PyMC36 min

Decision Boundary for Classification1 min

Multiple Logistic Regression2 min

Multiclass Logistic Regression2 min

Case Study with PyMC3 - I2 min

Case Study with PyMC3 - II5 min

Case Study with PyMC3 - III2 min

1 exercice pour s'entraîner

PyMC3 - II30 min

Semaine

Semaine 3

5 heures pour terminer

Metrics in PyMC3

This module introduces various measures and metrics to assess the quality of the solutions inferred using PyMC3. Hands-on examples are used to illustrate how various methods and visualizations can be used in PyMC3. Finally, a brief overview of how to debug PyMC3 algorithms is provided. The course website ishttps://sjster.github.io/introduction_to_computational_statistics/docs/Production/PyMC3.html#mcmc-metrics. Instructions to download and run the notebooks are at https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html

5 heures pour terminer

11 vidéos (Total 28 min), 3 lectures, 1 quiz

11 vidéos

Introduction to Metrics and Tuning2 min

Metropolis and HMC2 min

Mixing and Potential Scale Reduction Factor1 min

Centered and Non-centered Parameterization5 min

Assess convergence in PyMC32 min

Forest plots for visualization1 min

Autocorrelation and Effective Sample Size2 min

Monte Carlo error and Divergences3 min

Diagnosing issues in PyMC32 min

Diagnosing issues in PyMC3 with the multiclass classification problem3 min

Debugging in PyMC353s

3 lectures

Visualization in Bayesian Workflow1h 30min

Tuning1 h

Improved Rhat1h 30min

1 exercice pour s'entraîner

PyMC3 - III30 min

Semaine

Semaine 4

3 heures pour terminer

Modeling of COVID-19 cases using PyMC3

3 heures pour terminer

Avis

3.6

6 avis

5 stars
35,71 %
4 stars
28,57 %
3 stars
14,28 %
2 stars
7,14 %
1 star
14,28 %

Meilleurs avis pour INTRODUCTION TO PYMC3 FOR BAYESIAN MODELING AND INFERENCE

par GM14 sept. 2022

Great capstone providing useful practice and tools for applying the concepts.

Voir tous les avis

À propos du Spécialisation Introduction to Computational Statistics for Data Scientists

The purpose of this series of courses is to teach the basics of Computational Statistics for the purpose of performing inference to aspiring or new Data Scientists. This is not intended to be a comprehensive course that teaches the basics of statistics and probability nor does it cover Frequentist statistical techniques based on the Null Hypothesis Significance Testing (NHST). What it does cover is:

The basics of Bayesian statistics and probability Understanding Bayesian inference and how it works The bare-minimum set of tools and a body of knowledge required to perform Bayesian inference in Python, i.e. the PyData stack of NumPy, Pandas, Scipy, Matplotlib, Seaborn and Plot.ly A scalable Python-based framework for performing Bayesian inference, i.e. PyMC3 With this goal in mind, the content is divided into the following three main sections (courses). Introduction to Bayesian Statistics - The attendees will start off by learning the the basics of probability, Bayesian modeling and inference in Course 1. Introduction to Monte Carlo Methods - This will be followed by a series of lectures on how to perform inference approximately when exact calculations are not viable in Course 2. PyMC3 for Bayesian Modeling and Inference - PyMC3 will be introduced along with its application to some real world scenarios. The lectures will be delivered through Jupyter notebooks and the attendees are expected to interact with the notebooks.

Introduction to Computational Statistics for Data Scientists

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Une aide financière est-elle possible ?
Oui. Dans certains programmes d’apprentissage, vous pouvez demander une aide financière ou une bourse d’études si vous ne pouvez pas payer les frais d’inscription. Si une aide financière ou une bourse d’études est disponible pour le programme d’apprentissage choisi, vous trouverez un lien pour faire une demande sur la page de description.

D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.

Développez les compétences de vos employés, obtenez des résultats commerciaux

Découvrez Coursera pour les affaires

Introduction to PyMC3 for Bayesian Modeling and Inference

À propos de ce cours

Ce que vous allez apprendre

Compétences que vous acquerrez