Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
L’approche bayésienne des statistiques et du Machine Learning est logique, flexible et intuitive. Dans ce cours, vous allez concevoir et analyser une famille de modèles bayésiens fondamentaux et généralisables. Leur portée va de modèles élémentaires à un paramètre à des modèles intermédiaires de régression multivariée et de régression linéaire généralisée. La popularité de ces modèles bayésiens a augmenté avec la disponibilité des ressources de calcul nécessaires à leur mise en œuvre. Vous utiliserez l’une de ces ressources : le package rjags dans R. En combinant la puissance de R avec le moteur JAGS (Just Another Gibbs Sampler), rjags offre un cadre pour la modélisation, l’inférence et la prédiction bayésiennes.
Prérequis
Programme de formation
Plan du cours
1
Introduction à la modélisation bayésienne
Les modèles bayésiens combinent des connaissances a priori avec les informations issues des données observées pour former des connaissances a posteriori mises à jour sur un paramètre. Dans ce chapitre, vous passerez en revue ces concepts bayésiens dans le contexte du modèle fondamental Bêta–Binomial pour un paramètre de proportion. Vous apprendrez également à utiliser le package rjags pour définir, compiler et simuler ce modèle dans R.
- Le modèle a priori50 XP
- Simuler une loi a priori Beta100 XP
- Comparer et contraster des a priori Beta100 XP
- Quelle loi a priori ?50 XP
- Les données et la vraisemblance50 XP
- Simuler la dépendance de X vis-à-vis de p100 XP
- Approcher la fonction de vraisemblance100 XP
- Interpréter la fonction de vraisemblance50 XP
- Le modèle a posteriori50 XP
- Définir, compiler et simuler100 XP
- Mettre à jour la postérieure100 XP
- Influence de l’a priori et des données sur l’a posteriori50 XP
2
Modèles bayésiens et chaînes de Markov
Le modèle bayésien Normal–Normal à deux paramètres constitue une base simple pour les modèles de régression Normale. Dans ce chapitre, vous allez concevoir le Normal–Normal puis définir, compiler et simuler ce modèle avec rjags. Vous explorerez également le fonctionnement des chaînes de Markov qui sous-tend la simulation avec rjags.
3
Inférence et prédiction bayésiennes
Dans ce chapitre, vous étendrez le modèle Normal–Normal vers un modèle de régression bayésienne simple. Dans ce cadre, vous verrez comment exploiter la sortie de simulation de rjags pour réaliser une inférence a posteriori. Plus précisément, vous construirez des estimations a posteriori des paramètres de régression à l’aide de moyennes a posteriori et d’intervalles de crédibilité, vous testerez des hypothèses en utilisant des probabilités a posteriori, et vous construirez des distributions prédictives a posteriori pour de nouvelles observations.
4
Modèles linéaires multivariés et généralisés
Dans ce dernier chapitre, vous généraliserez le modèle de régression Normale simple pour l’appliquer à des contextes plus larges. Vous intégrerez des prédicteurs catégoriels, concevrez un modèle de régression multivariée avec deux prédicteurs, puis étendrez cette méthodologie à des modèles de régression de Poisson multivariée pour des variables de comptage.
R
Modélisation bayésienne avec RJAGS
Cours
terminé
