Python 中的贝叶斯机器学习：A/B 测试
用于营销、数字媒体、在线广告等的数据科学、机器学习和数据分析技术
讲师：Lazy Programmer Inc.
口袋资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！
用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。
你将会学到的
- 使用自适应算法提高 A/B 测试性能
- 了解贝叶斯统计和常客统计之间的区别
- 将贝叶斯方法应用于 A/B 测试
课程内容
11 个章节 • 79 个讲座 • 总时长 10 小时 21 分钟展开所有章节
简介和大纲3 个讲座 • 19 分钟
高级图片2 个讲座 • 18 分钟
贝叶斯规则和概率审查14 个讲座 • 1 小时 38 分钟
传统 A/B 测试17 个讲座 • 2 小时 8 分钟
贝叶斯 A/B 测试25 个讲座 • 2 小时 53 分钟
贝叶斯 A/B 测试扩展3 个讲座 • 19 分钟
熟能生巧3 个讲座 • 18 分钟
设置你的环境（学生请求的常见问题解答）2 个讲座 • 38 分钟
为初学者提供 Python 编码的额外帮助（学生请求的常见问题解答）4 个讲座 • 42 分钟
机器学习的有效学习策略（学生要求的常见问题解答）4 个讲座 • 1 小时
附录/常见问题解答2 个讲座 • 8 分钟
要求
- 概率（联合、边际、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
说明
本课程是关于A/B 测试的。
A/B 测试无处不在。营销、零售、新闻源、在线广告等。
A/B 测试就是比较事物。
如果你是一名数据科学家，并且你想告诉公司的其他人，“标志 A 比标志 B 更好”，那么你不能在没有使用数字和统计数据证明的情况下这么说。
传统的 A/B 测试已经存在了很长时间，它充满了近似值和令人困惑的定义。
在本课程中，虽然我们将进行传统的 A/B 测试以了解其复杂性，但我们最终将了解的是贝叶斯机器学习 的做事方式。
首先，我们将看看我们是否可以使用自适应方法改进传统的 A/B 测试。这些都可以帮助你解决探索-利用困境。
你将了解epsilon-greedy算法，你可能在强化学习的上下文中听说过该算法。
我们将使用称为 UCB1 的类似算法改进 epsilon-greedy 算法。
最后，我们将通过使用完全贝叶斯方法来改进这两者。
为什么我们对机器学习中的贝叶斯方法感兴趣？
这是一种完全不同的概率思考方式。
这是一种范式转变。
你可能需要多次回到本课程才能完全融入。
它也很强大，许多机器学习专家经常发表关于他们如何“赞同贝叶斯学派”的声明。
总而言之——它将为我们提供许多强大的新工具，我们可以在机器学习中使用它们。
你将在本课程中学习的内容不仅适用于 A/B 测试，而且我们使用 A/B 测试作为如何应用贝叶斯技术的具体示例。
你将通过 A/B 测试示例学习贝叶斯方法的这些基本工具，然后你将能够在未来将这些贝叶斯技术应用到更先进的机器学习模型中。
我们在课室见！
“如果你不能实现它，你就不会理解它”
- 或者正如伟大的物理学家理查德费曼所说：“我无法创造的东西，我不明白”。
- 我的课程是你将学习如何从头开始实施机器学习算法的唯一课程
- 其他课程会教你如何将数据插入库中，但你真的需要 3 行代码的帮助吗？
- 在用 10 个数据集做同样的事情之后，你意识到你没有学到 10 件事。你学到了一件事，只是重复了同样的 3 行代码 10 次……
建议的先决条件：
- 概率（联合、边际、条件分布、连续和离散随机变量、PDF、PMF、CDF）
- Python 编码：if/else、循环、列表、字典、集合
- Numpy、Scipy、Matplotlib
我应该按什么顺序上课？：
- 查看讲座“机器学习和 AI 先决条件路线图”（可在我的任何课程的常见问题解答中找到，包括免费的 Numpy 课程）
此课程面向哪些人：
- 想要学习贝叶斯机器学习技术以应用于他们的数据科学工作的具有技术背景的学生和专业人士
