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

3.1

étoiles

15 évaluations

Dr. Srijith Rajamohan

Offert par

Spécialisation Introduction to Computational Statistics for Data ScientistsDatabricks

À propos de ce cours

2 378 consultations récentes

The objective of this course is to introduce Markov Chain Monte Carlo Methods for Bayesian modeling and inference,  The attendees will start off by learning the the basics of Monte Carlo methods. This will be augmented by hands-on examples in Python that will be used to illustrate how these algorithms work. This will be the second 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 2 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 in this Specialization.

Approx. 15 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. Markov Chain Monte Carlo algorithms
2. Implementing the above in Python
3. Assess the performance of Bayesian models

Compétences que vous acquerrez

Bayesian
Scipy
Scikit-Learn
MCMC

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 2 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 in this Specialization.

Approx. 15 heures pour terminer

Anglais

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

Essayez Coursera pour les affaires

Enseignant

Évaluation de l'enseignant

1,4/5 (5 évaluations)

Dr. Srijith Rajamohan

Sr. Developer Advocate (Data Science)

4 230 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

5 heures pour terminer

Topics in Model Performance

This module gives an overview of topics related to assessing the quality of models. While some of these metrics may be familiar to those with a Machine Learning background, the goal is to bring awareness to the concepts rooted in Information Theory. The course website is https://sjster.github.io/introduction_to_computational_statistics/docs/Production/BayesianInference.html. 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

13 vidéos (Total 31 min), 5 lectures, 1 quiz

13 vidéos

Welcome to Course 2!44s

Introduction1 min

Underfitting and Overfitting2 min

Explained Variance2 min

Cross Validation1 min

Information Criteria1 min

Log-likelihood and Deviance3 min

Posterior Predictive Distribution1 min

AIC, BIC, DIC and WAIC4 min

A qualitative discussion of the various metrics1 min

Entropy3 min

KL Divergence2 min

Model Averaging3 min

5 lectures

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

Likelihood and its use in Parameter Estimation and Model Comparison1 h

Understanding predictive information criteria for Bayesian models2 h

Information Theory and Statistics1 h

Model Stacking10 min

1 exercice pour s'entraîner

Topics in Model Performance30 min

Semaine

Semaine 2

5 heures pour terminer

The Metropolis Algorithms for MCMC

This module serves as a gentle introduction to Markov-Chain Monte Carlo methods. The general idea behind Markov chains are presented along with their role in sampling from distributions. The Metropolis and Metropolis-Hastings algorithms are introduced and implemented in Python to help illustrate their details. The course website is https://sjster.github.io/introduction_to_computational_statistics/docs/Production/MonteCarlo.html. 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

8 vidéos (Total 29 min), 1 lecture, 1 quiz

Semaine

Semaine 3

4 heures pour terminer

Gibbs Sampling and Hamiltonian Monte Carlo Algorithms

This module is a continuation of module 2 and introduces Gibbs sampling and the Hamiltonian Monte Carlo (HMC) algorithms for inferring distributions. The Gibbs sampler algorithm is illustrated in detail, while the HMC receives a more high-level treatment due to the complexity of the algorithm. Finally, some of the properties of MCMC algorithms are presented to set the stage for Course 3 which uses the popular probabilistic framework PyMC3. The course website is https://sjster.github.io/introduction_to_computational_statistics/docs/Production/MonteCarlo.html#gibbs-sampling.

4 heures pour terminer

7 vidéos (Total 28 min), 2 lectures, 1 quiz

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

Bayesian Inference with MCMC

À propos de ce cours

Ce que vous allez apprendre

Compétences que vous acquerrez