Weiter zum Inhalt
StartseiteR

Kurs

Bayesianisches Modellieren mit RJAGS

ExperteSchwierigkeitsgrad
Aktualisiert 07/2022
In diesem Kurs lernst du, wie du mit RJAGS anspruchsvollere Bayes'sche Modelle umsetzt.
Kurs kostenlos starten
RProbability & Statistics
4 Std.
15 Videos
58 Übungen
4,650 XP
7,792
Leistungsnachweis

Kostenloses Konto erstellen

Mit Google fortfahrenWeitere Optionen anzeigen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

Beliebt bei Lernenden in Tausenden Unternehmen

Group

Ein Team schulen?

Für Unternehmen ausprobieren

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

Fundamentals of Bayesian Data Analysis in RIntroduction to the Tidyverse
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.
Kapitel starten
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.
Kapitel starten
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.
Kapitel starten
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.
Kapitel starten
Bayesianisches Modellieren mit RJAGS
Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

    Schließe dich 19 Millionen Lernenden an und starte Bayesianisches Modellieren mit RJAGS heute!

    Kostenloses Konto erstellen

    Mit Google fortfahrenWeitere Optionen anzeigen

    oder

    Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

    DataCamp gibt es auch für Mobilgeräte

    Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.