Монте Карло на python. Задачи с собеса. Парадокс дней рождений.Студент и экзамен.Теория вероятностей

00:00:00 Введение в интервью

• Обсуждение классических вопросов для интервью.

• Пример задачи: определить вероятность совпадения дней рождения у двух людей из группы из 23 человек.

• Использование Python для моделирования данных.

00:00:47 Моделирование данных

• В году 365 дней рождения.

• Использование библиотеки numpy для моделирования данных.

• Применение методов random и randint для генерации случайных чисел.

00:02:52 Создание выборки

• Создание выборки из 23 студентов и 365 дней рождения.

• Использование метода sample для создания выборки с повторением.

• Проверка дубликатов для предотвращения коллизий.

00:06:44 Моделирование комнат

• Создание 10000 комнат для моделирования.

• В каждой комнате 23 студента с повторением.

• Оценка вероятности совпадения дней рождения у двух студентов.

00:08:31 Парадокс дня рождения

• Обсуждение вероятности совпадения дней рождения у 23 человек из 365 возможных.

• Ошибка байесовского восприятия и парадокс дня рождения.

• Аналитическое решение задачи с использованием комбинаторики и вероятности.

00:12:10 Заключение

• Аналитическое решение задачи на основе комбинаторики.

• Важность моделирования данных на Python для решения задач.

• Примеры вероятности совпадения дней рождения в зависимости от количества студентов.

00:13:38 Парадокс дня рождения

• Объяснение парадокса дня рождения и байесовского восприятия.

• Ошибка байесовского восприятия и её влияние на моделирование.

• Важность понимания байесовского восприятия для моделирования.

00:15:00 Моделирование данных на Python

• Пример моделирования данных без использования формул.

• Преимущества знания математики для ускорения процесса сдачи проекта.

• Методы моделирования данных на Python для решения задач без знания математики.

00:16:50 Задача с экзаменом

• Описание задачи с экзаменом и выбором порядка ответов.

• Влияние порядка ответов на вероятность вытащить выученный билет.

• Искажение байесовского восприятия в этой задаче.

00:17:57 Моделирование ситуации с экзаменом

• Создание списка билетов и перемешивание их для случайного порядка.

• Проверка знаний студента по каждому билету.

• Моделирование 10 тысяч повторений для оценки вероятности.

00:19:03 Результаты моделирования
• Искажение байесовского восприятия при разных порядках ответов.

• Заключение и переход к более сложным задачам моделирования.

💰 Стать спонсором :

(USDT TRC20) TPWP9kuqqetDNPeLjAe51F1i2jPxwYYBDu

(USDT BEP20) 0xf3db7ce90a55d1d25b7a6d1ded811fb2a7523f3d

Линейная алгебра:

Векторы и матрицы

Операции с матрицами (умножение, транспонирование, след)

Собственные значения и собственные векторы

Обратные матрицы

Разложения (QR-разложение, SVD-разложение)

Системы линейных уравнений

Математический анализ:

Пределы и непрерывность

Производные и частные производные

Градиенты и оптимизация

Интегралы

Оптимизация функций

Теорема о среднем значении

Многомерный анализ

Теория вероятностей:

Случайные величины

Распределения вероятностей (нормальное, биномиальное, пуассоновское)

Условная вероятность

Теорема Байеса

Законы больших чисел и центральная предельная теорема

Статистика:

Математическое ожидание, дисперсия

Статистические гипотезы и критерии

Регрессия и корреляция

Оценки параметров (метод максимального правдоподобия, метод наименьших квадратов)

Анализ данных и визуализация

Описательная статистика

Интервальная оценка

Проверка гипотез

Регрессионный анализ

Теги:

Математика для машинного обучения,

Линейная алгебра в Data Science,

Математический анализ для машинного обучения,

Теория вероятностей и статистика,

Математика для анализа данных,

Векторы и матрицы,

Производные и градиенты,

Распределения вероятностей,

Регрессия и корреляция,

Машинное обучение,

Data Science обучение,

Математические основы ML,

Алгоритмы машинного обучения,

линейная алгебра для машинного обучения,

теория вероятностей в data science,

математический анализ в ML,

статистика для анализа данных,

data science с нуля,

машинное обучение для начинающих,

Python для data science,
numpy, pandas, scikit-learn,

deep learning,

нейронные сети,

искусственный интеллект,
#математика #datascience #machinelearning
математика с нуля,
математика для дата сайнс,
математика для машинного обучения,
математика для чайников,
математика для начинающих,
математика для программистов,
математика для data science,
репетитор по математике,
репетитор по дата сайнс
математика для дата аналитика