Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
El enfoque bayesiano para la estadística y el Machine Learning es lógico, flexible e intuitivo. En este curso, diseñarás y analizarás una familia de modelos bayesianos fundamentales y generalizables. Van desde modelos básicos de un solo parámetro hasta modelos intermedios de regresión lineal multivariante y generalizada. La popularidad de estos modelos bayesianos ha crecido junto con la disponibilidad de los recursos computacionales necesarios para implementarlos. Utilizarás uno de estos recursos: el paquete rjags en R. Combinando la potencia de R con el motor JAGS (Just Another Gibbs Sampler), rjags ofrece un marco para el modelado, la inferencia y la predicción bayesianos.
Requisitos previos
Programa de formación
Esquema del curso
1
Introducción al modelado bayesiano
Los modelos bayesianos combinan conocimientos previos con la información de los datos observados para formar conocimientos actualizados, o posteriores, sobre un parámetro. En este capítulo, repasarás estos conceptos bayesianos en el contexto del modelo Beta-Binomial, base para un parámetro de proporción. También aprenderás a usar el paquete rjags para definir, compilar y simular este modelo en R.
- El modelo previo50 XP
- Simular una previa Beta100 XP
- Comparar y contrastar priors Beta100 XP
- ¿Qué previa?50 XP
- Datos y verosimilitud50 XP
- Simular la dependencia de X respecto a p100 XP
- Aproximar la función de verosimilitud100 XP
- Interpretar la función de verosimilitud50 XP
- El modelo posterior50 XP
- Define, compile, and simulate100 XP
- Actualizando la posterior100 XP
- Influencia del previo y los datos en el posterior50 XP
2
Modelos bayesianos y cadenas de Markov
El modelo bayesiano Normal-Normal de dos parámetros ofrece una base sencilla para los modelos de regresión Normal. En este capítulo, diseñarás el Normal-Normal y definirás, compilarás y simularás este modelo usando rjags. También explorarás el funcionamiento de las cadenas de Markov que hay detrás de la simulación con rjags.
3
Inferencia y predicción bayesianas
En este capítulo, ampliarás el modelo Normal-Normal a un modelo de regresión bayesiana sencillo. En este contexto, verás cómo usar la salida de la simulación de rjags para llevar a cabo inferencia posterior. En concreto, construirás estimaciones posteriores de los parámetros de regresión usando medias posteriores e intervalos creíbles, pondrás a prueba hipótesis usando probabilidades posteriores y construirás distribuciones predictivas posteriores para nuevas observaciones.
4
Modelos lineales multivariantes y generalizados
En este último capítulo, generalizarás el modelo de regresión Normal simple para aplicarlo en contextos más amplios. Incorporarás predictores categóricos, diseñarás un modelo de regresión multivariante con dos predictores y, por último, ampliarás esta metodología a modelos de regresión multivariante de Poisson para variables de conteo.
R
Modelado bayesiano con RJAGS
Curso
completado
