Чтобы применять машинное обучение в реальных проектах, нужно уметь работать с неопределённостью в данных и грамотно формулировать гипотезы. Здесь поможет байесовский подход.
В этом курсе ты узнаешь, чем байесовский подход отличается от классической частотной статистики, научишься строить и оценивать вероятностные модели c помощью марковских цепей (MCMC), проводить множественные A/B-тесты, работать с байесовскими регрессиями и использовать гауссовские процессы для анализа временных рядов.
В практической части ты разберёшь вероятностное программирование на Python с помощью библиотеки PyMC, визуализацию с помощью arViz, использование GPU для ускорения вычислений MCMC. На курсе ты реализуешь командный проект на свободную тему.
Фича курса. От гипотезы до прогноза: полный цикл применения байесовских методов на практике.
В первой части курса ты узнаешь основы байесовской статистики. Разберём, как строить вероятностные модели, тестировать гипотезы и интерпретировать результаты.
Во второй части ты научишься применять байесовские методы на практике: строить регрессионные модели, анализировать временные ряды с помощью гауссовских процессов и защищать аналитический проект.
Ты научишься: