MUESTREADOR DE GIBBS: explicación completa || Markov Chain Montecarlo || Estadística y Data Science
El muestreador de Gibbs es uno de los algoritmos conocidos como Markov Chain Monte Carlo (MCMC), que nos permite muestrear distribuciones de probabilidad complejas sin necesidad de conocer su función de densidad analítica. Es además, una variante del algoritmo Metropolis-Hastings, clasificado entre los 10 algoritmos más importantes del siglo XX para el desarrollo de la ciencia y la ingeniería.
Por tanto, como os podéis imaginar, es una herramienta imprescindible que cualquier científico o ingeniero de datos debería tener en su arsenal.
En este vídeo, no solo aprenderemos en qué consiste este algoritmo, sino que comprenderemos el por qué de su funcionamiento y las situaciones en las que convendrá usarlo.
Para la realización de este vídeo, me he basado principalmente en el siguiente paper de G.Casella y E. George, publicado por la American Statistical Association:
http://www2.stat.duke.edu/~scs/Courses/Stat376/Papers/Basic/CasellaGeorge1992.pdf
Además, para profundizar en este y otros algoritmos MCMC, además de en muchos conceptos de estadística bayesiana fundamentales para los científicos de datos y apasionados de la inteligencia artifical, os recomiendo haceros con este libro:
https://amzn.to/3L7F04N
Si te han quedado preguntas, no dudes en dejarlas en los comentarios o en mandarme un correo a la siguiente dirección de contacto:
elprofestudiante@gmail.com
Видео MUESTREADOR DE GIBBS: explicación completa || Markov Chain Montecarlo || Estadística y Data Science канала ElprofEstudiante
Por tanto, como os podéis imaginar, es una herramienta imprescindible que cualquier científico o ingeniero de datos debería tener en su arsenal.
En este vídeo, no solo aprenderemos en qué consiste este algoritmo, sino que comprenderemos el por qué de su funcionamiento y las situaciones en las que convendrá usarlo.
Para la realización de este vídeo, me he basado principalmente en el siguiente paper de G.Casella y E. George, publicado por la American Statistical Association:
http://www2.stat.duke.edu/~scs/Courses/Stat376/Papers/Basic/CasellaGeorge1992.pdf
Además, para profundizar en este y otros algoritmos MCMC, además de en muchos conceptos de estadística bayesiana fundamentales para los científicos de datos y apasionados de la inteligencia artifical, os recomiendo haceros con este libro:
https://amzn.to/3L7F04N
Si te han quedado preguntas, no dudes en dejarlas en los comentarios o en mandarme un correo a la siguiente dirección de contacto:
elprofestudiante@gmail.com
Видео MUESTREADOR DE GIBBS: explicación completa || Markov Chain Montecarlo || Estadística y Data Science канала ElprofEstudiante
Показать
Комментарии отсутствуют
Информация о видео
Другие видео канала
Diagramas CCT para aceros | Enfriamiento continuo | Ciencia de MaterialesComo funcionan los MAPAS AUTOORGANIZADOS ( CON EJEMPLO RESUELTO) | Algoritmos Machine Learning #1Diagramas TTT del acero | Transformaciones de fase | Ciencia de materiales #2REGLA DE LA PALANCA (explicación + ejemplo) | Diagramas de fases | Ciencia de Materiales #1Cómo calcular la función potencial(2 METODOS INFALIBLES)||Cálculo vectorialParametrización de curvas I: CIRCUNFERENCIA, ELIPSE Y ASTROIDE¿Qué es un potencial escalar(función potencial)? (EXPLICACIÓN SENCILLA)¿Qué es el vector gradiente? (CON EJEMPLO!)