CAPÍTULO 22 / 40
Cadenas de Markov y Monte Carlo
3 lecciones · Explora, experimenta y comprende.
DOJO PETTu pequeño compañero de código
DOJO / TU GUÍA
Aprendamos juntos.
Pregúntame sobre este curso o por dónde empezar.
Lecciones del capítulo
3 lecciones
Por qué importa en ML
Cadenas de Markov, Monte Carlo y MH son cómo Stan, PyMC y la iteración de valor en RL extraen respuestas de posteriors y distribuciones que no admiten solución analítica.
- MCMC
- HMC / NUTS
- particle filters
- Q-learning
- Paso 95~15m3D · 113★Más cinematográfica
Cadenas de Markov y distribuciones estacionarias
Una cadena de Markov es un paseo aleatorio sin memoria sobre un espacio de estados — y su distribución estacionaria es el objetivo universal…
Abrir lección - Paso 96~10m13
Estimación Monte Carlo y muestreo por importancia
Monte Carlo convierte esperanzas intratables en promedios muestrales con convergencia 1/√N independiente de la dimensión — y el muestreo por…
Abrir lección - Paso 97~15m3D · 113★Más cinematográfica
Metropolis–Hastings (MCMC)
Metropolis–Hastings es una receta para construir una cadena de Markov cuya estacionaria es cualquier cosa — incluso un target no normalizado…
Abrir lección