Build your ultimate AI agent
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
