Байесовский анализ: prior и тараканы-метеорологи

Представьте: вам дают таблицу на 156 строк и около 40 колонок, а затем просят оценить вклад каждого фактора. И вот вы оказались в мире «малых данных» в эпоху Big Data.

Это доклад о том, как выбрать правильный инструмент под неправильный размер данных. На живом кейсе разбираем, как устроен байесовский анализ в PyMC: почему не стоит надеяться на деревья решений и ridge-регрессию; почему наши ожидания могут не оправдаться — и при чём тут тараканы.

Вы уйдёте с готовым рецептом для малых данных — и с пониманием как эта модель поможет вам.

Комментарии ({{Comments.length}})
  • {{comment.AuthorFullName}}
    {{comment.AuthorInfo}}
    {{ comment.DateCreated | date: 'dd.MM.yyyy' }}

Для того чтобы оставить комментарий необходимо

или
Напишите нам, мы онлайн!