Build your ultimate AI agent
Description du cours
L’estimation bayésienne offre une alternative flexible aux techniques de modélisation dont les inférences reposent sur des valeurs p. Dans ce cours, vous apprendrez à estimer des modèles de régression linéaire avec des méthodes bayésiennes et le package rstanarm. Vous serez initié aux distributions a priori, à la vérification prédictive a posteriori du modèle et aux comparaisons de modèles dans le cadre bayésien. Vous verrez également comment utiliser votre modèle estimé pour faire des prédictions sur de nouvelles données.
Prérequis
Programme de formation
Plan du cours
1
Introduction aux modèles linéaires bayésiens
Un rappel de la régression fréquentiste avec lm(), une introduction à la régression bayésienne avec stan_glm(), et une comparaison de leurs sorties respectives.
- Régression linéaire non bayésienne50 XP
- Explorer les données100 XP
- Ajuster une régression linéaire fréquentiste100 XP
- Régression linéaire bayésienne50 XP
- Ajuster une régression linéaire bayésienne100 XP
- Critères de convergence50 XP
- Évaluer la convergence du modèle50 XP
- Comparer les méthodes fréquentistes et bayésiennes50 XP
- Différence entre fréquentistes et bayésiens50 XP
- Créer des intervalles crédibles100 XP
2
Modifier un modèle bayésien
Apprenez à modifier votre modèle bayésien, notamment en changeant le nombre et la longueur des chaînes, en ajustant les distributions a priori et en ajoutant des prédicteurs.
3
Évaluer l’ajustement du modèle
Dans ce chapitre, nous verrons comment déterminer si le modèle estimé s’ajuste à nos données et comment comparer des modèles concurrents.
4
Présenter et utiliser une régression bayésienne
Dans ce chapitre, nous verrons comment utiliser le modèle estimé pour créer des visualisations de votre modèle et faire des prédictions sur de nouvelles données.
R
Modélisation de régression bayésienne avec rstanarm
Cours
terminé
