Монте Карло на Python. Генерация случайных величин. Моделированние данных.Теория вероятностей для ML

00:00:00 Введение в моделирование данных

• Теория вероятности важна для моделирования данных и метода Монте-Карло.

• Подключение библиотек pandas и numpy для визуализации и генерации данных.

• Использование библиотеки numpy для моделирования случайных величин.

00:00:44 Проблемы с подключением и настройка

• Проблемы с подключением к интернету по телефону.

• Настройка подключения по кабелю для стабильной работы.

• Подключение библиотек и настройка визуализации с помощью pandas и seaborn.

00:03:09 Генерация случайных величин

• Использование библиотеки numpy для генерации случайных величин.

• Пример генерации кубика и его подкидывания.

• Объяснение работы генераторов и метода shuffle для перемешивания данных.

00:04:41 Воспроизведение результатов

• Объяснение необходимости задания seed для воспроизводимости результатов.

• Пример использования метода shuffle для перемешивания данных.

• Проблемы с воспроизводимостью результатов без задания seed.

00:07:32 Выборка данных

• Использование метода random.choice для выборки данных.

• Объяснение выборки без повторений и с повторением.

• Пример выборки с повторением и его влияние на результаты.

00:10:07 Применение seed для воспроизводимости

• Использование seed для фиксации результатов эксперимента.

• Пример записи seed для воспроизводимости данных.

• Рекомендации по записи или запоминанию seed для различных целей.

00:12:15 Задача с подбрасыванием монет

• Задача о подбрасывании симметричных монет двумя игроками.

• Определение вероятности одинакового числа гербов после десяти подбрасываний.

• Моделирование эксперимента и расчет вероятности с помощью формулы полной группы событий.

00:13:43 Объем испытаний

• Объем испытаний обычно начинается с 10 тысяч.

• Для Монте-Карло лучше использовать более 100 тысяч экспериментов.

• Если данных немного, можно использовать более 100 тысяч.

00:14:41 Счетчик благоприятствующих случаев

• Счетчик обновляется в цикле.

• Задаем начальную установку счетчика.

• Моделируем данные и создаем модель.

00:15:41 Создание монетки
00:18:05 Эксперимент с монеткой

• Подбрасываем монетку 10 раз.

• Создаем еще одну монетку для сравнения.

• Находим вероятность совпадения числа гербов.

00:19:30 Вероятность совпадения

• Считаем количество совпадений.

• Используем конструкцию "и плюс равно один".

• Рассчитываем относительную частоту событий.

00:23:49 Монте-Карло

• Моделирование случайных величин.

• Метод Монте-Карло включает генерацию случайных чисел.

• Используем библиотеку random для генерации чисел.

00:26:05 Генерация монетки

• Генерируем монетку с помощью панд.

• Используем функцию sample для получения данных.

• Применяем Pandas для работы с данными.

00:27:12 Введение в выборку

• Выборка - это выбор одного элемента из списка.

• Пример с пандами: выборка из списка панд.

• Преобразование объекта в число с помощью метода .values.

00:29:06 Генерация монеты с помощью панд

• Генерация монеты с помощью панд.

• Использование метода .sample для генерации монеты.

• Преобразование объекта в число для дальнейших операций.

00:30:01 Выборка с повторением
00:31:29 Биномиальное распределение
00:33:58 Моделирование объектов
00:35:31 Использование numpy для моделирования
00:37:12 Генерация случайных чисел
00:39:16 Заключение
00:40:20 Формула Байеса

• Формула Байеса проверяет, какая гипотеза повлияла на событие.

• Полная вероятность гипотезы используется для пересчета вероятности.

• Пример с монеткой и биномиальным распределением.

00:41:27 Эксперименты с монеткой

• Создание функций для подбрасывания монетки.

• Сравнение результатов с использованием биномиального распределения и пандесов.

• Важность понимания работы алгоритмов для аналитиков данных.

00:43:26 Генерация случайных чисел

• Создание минималистичной функции для генерации случайных чисел.

• Эксперименты с подбрасыванием монетки 10 раз.

• Использование метода сэмпла с повторением.

00:46:35 Работа с кубиком

• Увеличение количества граней кубика до 10.

• Удаление индекса элемента и выдача общего индекса.

• Подбрасывание кубика 10 тысяч раз и расчет вероятности выпадения каждой грани.

00:49:32 Закон больших чисел

• Увеличение выборки приводит к приближению среднего значения к теоретическому.

• Чем больше выборка, тем ближе среднее значение к истинному.

🚀 Вступай в сообщество: https://boosty.to/SENATOROV
🍑 Подписывайся на Telegram: https://t.me/RuslanSenatorov
🔥 Начни работать с криптовалютой на Bybit: https://www.bybit.com/invite?ref=MAN2VD

💰 Донат: https://www.donationalerts.com/c/senatorov
💰 Стать спонсором :
(USDT TRC20) TPWP9kuqqetDNPeLjAe51F1i2jPxwYYBDu
(USDT BEP20) 0xf3db7ce90a55d1d25b7a6d1ded811fb2a7523f3d

#математика #datascience #machinelearning
математика с нуля,
математика для дата сайнс,
математика для машинного обучения,
математика для data science,
математика для дата аналитика

Видео Монте Карло на Python. Генерация случайных величин. Моделированние данных.Теория вероятностей для ML канала SENATOROV.Уроки Математики(Python)для Data Science