Un MCMC à la main
Écrire un échantillonneur de Metropolis et comparer ses résultats à ceux d’une bibliothèque comme PyMC.
Tous les parcoursDécouvrir Coursera PlusAprès l’étape 2 Après l’étape 3 Après l’étape 4
Data et IA · 06Avancé
Chercheur en IA probabiliste
Profil mathématique attiré par le bayésien et les modèles graphiques.
Probabilités, inférence bayésienne théorique et appliquée, puis réseaux bayésiens et champs de Markov à Stanford.
432heures de cours
44semaines à 10 h
4étapes
14cours
4universités
Compétences visées
Probability DistributionProbability & StatisticsStatistical InferenceMarkov ModelData AnalysisStatistical AnalysisStatisticsSampling (Statistics)Data ScienceStatistical ModelingBayesian StatisticsStatistical Methods
Intitulés de compétences repris de Coursera.
Métiers visés
- Chercheur en machine learning
- Data scientist bayésien
- Ingénieur R&D
Progression
- 1University of Colorado BoulderIntermédiaireR, Python, Jupyter Notebookscrédits universitaires
Prérequis annoncés : Calculus through Calculus II (multivariate preferred) and some R or Python experience
Voir les 3 cours
Cours Niveau Durée Note (avis) Probability Foundations for Data Science and AI Intermédiaire 43 h 4,5 (300) Discrete-Time Markov Chains and Monte Carlo Methods Intermédiaire 33 h 4,5 (22) Statistical Estimation for Data Science and AI Intermédiaire 29 h 4,0 (99) - 2University of California, Santa CruzIntermédiaireR, Microsoft Excel
Voir les 5 cours
Cours Niveau Durée Note (avis) Bayesian Statistics: From Concept to Data Analysis Intermédiaire 11 h 4,6 (3 233) Bayesian Statistics: Techniques and Models Intermédiaire 30 h 4,8 (498) Bayesian Statistics: Mixture Models Intermédiaire 22 h 4,5 (63) Bayesian Statistics: Time Series Analysis Intermédiaire 19 h 4,3 (18) Bayesian Statistics: Capstone Project Avancé 12 h 4,5 (10) - 3University of PittsburghIntermédiairePython, PyMC3
Voir les 3 cours
Cours Niveau Durée Note (avis) Bayesian Inference Fundamentals Intermédiaire 20 h — Bayesian Regression and Model Selection Intermédiaire 20 h — Advanced Bayesian Methods and Applications Intermédiaire 22 h — - 4Stanford University (Stanford Online)AvancéMATLAB, Octave
Prérequis annoncés : Abstract thinking and math skills, programming in at least one language, basic discrete probability (independence, conditional independence, Bayes' rule)
Voir les 3 cours
Cours Niveau Durée Note (avis) Probabilistic Graphical Models 1: Representation Avancé 67 h 4,6 (1 445) Probabilistic Graphical Models 2: Inference Avancé 38 h 4,6 (491) Probabilistic Graphical Models 3: Learning Avancé 66 h 4,6 (305)
Avec Coursera Plus
Ce parcours représente 432 heures, soit environ 10 mois à 10 heures par semaine. L’abonnement Coursera Plus donne accès à la plupart de ses cours pendant cette période.
Projets à réaliser
Modèle hiérarchique
Estimer les performances de plusieurs écoles ou hôpitaux en partageant l’information entre groupes.
Réseau bayésien de diagnostic
Construire un petit réseau bayésien médical et calculer la probabilité d’une maladie selon les symptômes.
Manuels gratuits
Introduction to Probability, 2nd ed.J. K. Blitzstein, J. HwangVersion en ligne gratuite
Bayesian Data Analysis, 3rd ed.A. Gelman et al.PDF gratuit, usage non commercial
Probabilistic Machine Learning: An IntroductionKevin P. MurphyPDF gratuit, CC BY-NC-ND