Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Der Bayes’sche Ansatz in Statistik und Machine Learning ist logisch, flexibel und intuitiv. In diesem Kurs entwickelst und analysierst du eine Reihe grundlegender, verallgemeinerbarer Bayes’scher Modelle. Diese reichen von einfachen Ein-Parameter-Modellen bis hin zu mittleren multivariaten und generalisierten linearen Regressionsmodellen. Die Popularität solcher Bayes’schen Modelle ist mit der Verfügbarkeit der für ihre Implementierung nötigen Rechenressourcen gewachsen. Du nutzt eine dieser Ressourcen – das rjags-Paket in R. rjags kombiniert die Leistungsfähigkeit von R mit der JAGS-Engine (Just Another Gibbs Sampler) und bietet so einen Rahmen für Bayes’sches Modellieren, Inferenz und Vorhersage.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in das Bayes’sche Modellieren
Bayes’sche Modelle verbinden Vorwissen mit Erkenntnissen aus beobachteten Daten, um aktualisierte, posteriori Einsichten über einen Parameter zu gewinnen. In diesem Kapitel wiederholst du diese Bayes’schen Konzepte am grundlegenden Beta-Binomial-Modell für einen Anteilsparameter. Außerdem lernst du, wie du das rjags-Paket nutzt, um dieses Modell in R zu definieren, zu kompilieren und zu simulieren.
- Das Priormodell50 XP
- Eine Beta-Prior simulieren100 XP
- Beta-Priors vergleichen und gegenüberstellen100 XP
- Welche Prior?50 XP
- Daten & die Likelihood50 XP
- Die Abhängigkeit von X von p simulieren100 XP
- Die Likelihood-Funktion approximieren100 XP
- Die Likelihood-Funktion interpretieren50 XP
- Das Posterior-Modell50 XP
- Definieren, kompilieren und simulieren100 XP
- Posterior aktualisieren100 XP
- Einfluss von Prior und Daten auf die Posterior-Verteilung50 XP
2
Bayes’sche Modelle & Markow-Ketten
Das zweiparametrige Normal-Normal-Bayes-Modell liefert eine einfache Grundlage für Normal-Regressionsmodelle. In diesem Kapitel entwickelst du das Normal-Normal-Modell und definierst, kompilierst und simulierst es mit rjags. Außerdem wirfst du einen Blick hinter die Kulissen der Markow-Ketten-Mechanik, die die rjags-Simulation antreibt.
3
Bayes’sche Inferenz & Vorhersage
In diesem Kapitel erweiterst du das Normal-Normal-Modell zu einem einfachen Bayes’schen Regressionsmodell. In diesem Rahmen erforschst du, wie du rjags-Simulationsergebnisse für die posteriori Inferenz nutzt. Konkret erstellst du posteriori Schätzungen der Regressionsparameter anhand posteriorer Mittelwerte und glaubwürdiger Intervalle, prüfst Hypothesen mit posterioren Wahrscheinlichkeiten und konstruierst posteriori Vorhersageverteilungen für neue Beobachtungen.
4
Multivariate & generalisierte lineare Modelle
In diesem letzten Kapitel verallgemeinerst du das einfache Normal-Regressionsmodell für die Anwendung in breiteren Kontexten. Du beziehst kategoriale Prädiktoren ein, entwickelst ein multivariates Regressionsmodell mit zwei Prädiktoren und erweiterst diese Methodik schließlich auf Poisson-multivariate Regressionsmodelle für Zählvariablen.
R
Bayesianisches Modellieren mit RJAGS
Kurs
abgeschlossen
