Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Die bayesianische Schätzung bietet eine flexible Alternative zu Modellierungstechniken, bei denen die Schlussfolgerungen von p-Werten abhängen. In diesem Kurs lernst du, wie du lineare Regressionsmodelle mit bayesianischen Methoden und dem Paket rstanarm schätzt. Du machst Bekanntschaft mit Priorverteilungen, posterior-prädiktiver Modellprüfung und Modellvergleichen im bayesianischen Rahmen. Außerdem erfährst du, wie du dein geschätztes Modell nutzt, um Vorhersagen für neue Daten zu treffen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in bayesianische lineare Modelle
Eine Auffrischung zur frequentistischen Regression mit lm(), eine Einführung in die bayesianische Regression mit stan_glm() und ein Vergleich der jeweiligen Ausgaben.
- Nicht-bayessche lineare Regression50 XP
- Daten erkunden100 XP
- Eine frequentistische lineare Regression anpassen100 XP
- Bayessche lineare Regression50 XP
- Eine Bayes'sche lineare Regression anpassen100 XP
- Konvergenzkriterien50 XP
- Modellkonvergenz beurteilen50 XP
- Frequentistische und Bayesianische Methoden vergleichen50 XP
- Unterschied zwischen Frequentisten und Bayes-Statistikern50 XP
- Glaubwürdige Intervalle erstellen100 XP
2
Ein bayesianisches Modell anpassen
Lerne, wie du dein bayesianisches Modell anpasst: die Anzahl und Länge der Chains änderst, Priorverteilungen anpasst und Prädiktoren hinzufügst.
3
Modellgüte beurteilen
In diesem Kapitel lernst du, wie wir feststellen, ob unser geschätztes Modell zu unseren Daten passt, und wie wir konkurrierende Modelle vergleichen.
4
Eine bayesianische Regression präsentieren und nutzen
In diesem Kapitel lernst du, wie du das geschätzte Modell nutzt, um Visualisierungen deines Modells zu erstellen und Vorhersagen für neue Daten zu machen.
R
Bayesianische Regressionsmodellierung mit rstanarm
Kurs
abgeschlossen
