Python 中的贝叶斯机器学习：A/B 测试

MP4 |视频：h264，1920×1080 |音频：AAC、44.1 KHz、2 Ch
级别：所有级别 |类型： 电子学习 |语言： 英文+字幕 |时长：80 堂课 ( 10h 26m )

你将学到什么

• 使用自适应算法提高 A/B 测试性能
• 了解贝叶斯统计和频率统计之间的差异
• 将贝叶斯方法应用于 A/B 测试

要求

• 概率（联合分布、边际分布、条件分布、连续和离散随机变量、PDF、PMF、CDF）
• 使用 Numpy 堆栈进行 Python 编码

描述

本课程主要是关于 A/B 测试。

A/B 测试广泛应用于营销、零售、新闻源、在线广告等领域。它侧重于使用数据和统计数据来比较不同的选项。例如，如果没有适当的数值证明，数据科学家就不能声称一种设计比另一种更好。

传统的 A/B 测试已经使用了很长时间，但它通常依赖于近似值和复杂的定义。在本课程中，您将首先了解传统方法，然后转向更高级的贝叶斯机器学习方法。

您将探索自适应方法来解决探索-利用困境。本课程涵盖强化学习中常用的 epsilon-greedy 算法，以及使用 UCB1 算法的改进。最后，您将学习完整的贝叶斯方法。

贝叶斯方法引入了一种不同的概率思维方式，代表了视角的重大转变。机器学习专家广泛使用它并为解决现实世界问题提供了强大的工具。

虽然本课程使用 A/B 测试作为主要示例，但您学到的概念可以应用于更广泛的机器学习模型和技术。

“如果你不能实现它，你就没有理解它。”

正如理查德·费曼所说：“我无法创造的东西，我就不理解”。

本课程侧重于从头开始实现机器学习算法，帮助您真正了解它们的工作原理，而不仅仅是使用预构建的库。

建议的先决条件

• 概率（联合分布、边际分布、条件分布、连续和离散随机变量、PDF、PMF、CDF）
• Python 编码基础知识，包括 if/else、循环、列表、字典和集合
• 熟悉 Numpy、Scipy 和 Matplotlib
• 我应该按照什么顺序学习你们的课程
• 查看课程常见问题解答部分中的讲座“机器学习和 AI 先决条件路线图”。

独特的功能

• 每一行代码都有详细解释
• 无需在基本打字或重复性任务上花费不必要的时间
• 包括其他课程中经常跳过的重要数学概念

本课程适合谁

具有技术背景、想要学习数据科学应用的贝叶斯机器学习技术的学生和专业人士