Python中的貝葉斯機器學習：A / B測試

Contents

如果有 UX 或是有成長駭客的經驗應該對 A/B 測試不會陌生，在網站或是 App 還沒大規模廣告行銷前先用兩款介面來測試使用者對於那一種介面會比較喜歡，這在產品處於 MVP 階段也經常會使用 A/B 測試來驗證想法，但是要如何評估收集到的 A/B 測試數據?

最近剛好在看一本書大演算-機器學習的終極演算法將如何改變我們的未來，創造新紀元的文明，裡面的第六章也介紹了貝葉斯定理，什麼是貝葉斯定理？在貝葉斯的核心觀念中，它只是一個簡單的規則，當你取得新的事證時，更新你對已有假設的信念程度 ( degree of belief )，如果證據與假設一致，這些假設的機率就會上升;如果沒有，機率就會下降，關鍵的問題是當你看到更多的證據時，後驗機率究竟如何精準的演變，這個答案就是貝氏定理。

所以當我們在做 A/B 測試的時候要如何透過收集到的證據，然後去驗證使用者確實會比較喜歡哪一個方案? 如果你也有同樣的問題，那麼這堂課會教你如何使用 Python 程式設計去實作貝葉斯機器學習法協助你進行 A/B 測試。
简

從這 10.5 小時的課程，你會學到

使用自適應演算法來提高A / B測試性能
了解貝葉斯與頻率統計之間的差異
應用貝葉斯方法進行A / B測試

要求

機率（共同的，臨界的，條件分佈，連續和離散隨機變數，PDF，PMF，CDF）
程式設計使用 Python 與 Numpy

說明

本課程全部關於 A / B 測試。

無所不在的A / B測試。行銷，零售，新聞來源，線上廣告等。

A / B測試是關於比較的事情。

如果你是資料科學家，而且你想告訴公司的其他人，“標誌A比標識B好”，那麼你不能只是說沒有使用數字和統計來證明它。

傳統的A / B測試已經存在了很長一段時間，它的定義非常近似和混亂。

在這個課程中，雖然我們將進行傳統的A / B測試，以了解其複雜性，但我們最終將會得到的是貝葉斯機器學習的方式。

首先，我們將看看是否可以通過自適應方法改進傳統的A / B測試。這些都可以幫助你解決探索-開發兩難的困境。

你將會了解到在強化學習( reinforcement learning )的背景下你可能聽說過的 epsilon-greedy 演算法。

我們將使用類似於UCB1的演算法對 epsilon-greedy 演算法進行改進。

最後，我們將透過使用完全貝葉斯方法來改進這兩者。

為什麼貝葉斯方法在機器學習中會讓我們有興趣？

這是一個完全不同的機率思考的方法。

這是一個典範轉移。

在完全下沉之前，你可能需要多次回到本課程。

它也很強大，許多機器學習專家經常就他們如何“訂閱貝葉斯思想”作出陳述。

總而言之，這將給我們提供許多強大的新工具，我們可以在機器學習中使用。

你在本課程中學到的東西不僅適用於A / B測試，而是使用A / B測試作為貝葉斯技術應用的具體範例。

你將學習貝葉斯方法的這些基本工具 – 透過A / B測試的範例，然後你將能夠將貝葉斯技術帶入更高級的機器學習模型。

在課堂上見！

本課程的所有代碼可以從我的github下載：/ lazyprogrammer / machine_learning_examples

在目錄：ab_testing

確保你總是用 “git pull”，所以你有最新的版本！

你所必須了解的前提/知識

微積分
機率（連續和離散分佈，聯合，邊際，條件，PDF，PMF，CDF，貝葉斯規則）
Python 程式設計：if / else，循環，列表，dicts，集合

技巧（為了要完成整個課程）：

使用 2倍速觀看。
手寫筆記。這將大大增加你保留資訊的能力。
寫下方程式。如果不這樣做，我保證只會看的亂七八糟的。
在討論板上提出很多問題。越多越好！
意識到大多數練習將花費數天或數週才能完成。
自己編寫程式碼，不要只是坐在那裡看我的程式碼。

修課順序

查看講座 “ What order should I take your courses in?” （可在我的任何課程的附錄中找到，或請參考先修課）

目標受眾是誰？

具有技術背景的學生和專業人士希望學習貝葉斯機器學習技術，以應用於他們的資料科學工作

講師簡介

Lazy Programmer Inc. 資料科學家和大數據工程師

我是一名資料科學家、大數據工程師和全端軟體工程師。

我有電腦工程的碩士，專長為機器學習和模式辨識。

我曾在網路廣告和數位媒體企業擔任過資料科學家和大數據工程師，圍繞所謂的資料建構各種高流量的 web 服務。我曾經使用 Hadoop / Pig / MapReduce 創建新的大數據管道，也曾建立機器學習模型來預測點擊率，使用線性迴歸、Bayesian Bandits 和協同過濾 ( collaborative filtering )建立新聞推薦系統，並使用A / B測試驗證結果。

我曾在大學部與研究所教授資料科學、統計學、機器學習、演算法、微積分、電腦圖學和物理學，任職的學校如哥倫比亞大學、紐約大學、Hunter 學院和 The New School。

有多家企業已從我的 Web 程式設計專業知識中受益。我做所有的後端(伺服器)、前端（HTML / JS / CSS）和運營/佈署工作。我使用的技術包含：Python、Ruby / Rails、PHP、Bootstrap、jQuery（Javascript）、Backbone 和 Angular。至於儲存/資料庫，我採用 MySQL、Postgres、Redis、MongoDB等。