Vai al contenuto principale

Corso

Modeling bayesiano con RJAGS

AvanzatoLivello di competenza

Aggiornato 07/2022

In questo corso imparerai come usare modelli bayesiani più avanzati con RJAGS.

Inizia Il Corso Gratis

RProbability & Statistics4 h15 video58 Esercizi4,650 XP7,766Attestato di conseguimento

Crea il tuo account gratuito

o

Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.

Preferito dagli studenti di migliaia di aziende

Vuoi formare 2 o più persone?

Prova DataCamp for Business

Descrizione del corso

L’approccio bayesiano alla statistica e al Machine Learning è logico, flessibile e intuitivo. In questo corso progetterai e analizzerai una famiglia di modelli bayesiani fondamentali e generalizzabili. Si va da modelli di base a un solo parametro fino a modelli intermedi di regressione multivariata e lineare generalizzata. La popolarità di questi modelli bayesiani è cresciuta insieme alla disponibilità di risorse di calcolo necessarie per implementarli. Userai una di queste risorse: il pacchetto rjags in R. Combinando la potenza di R con il motore JAGS (Just Another Gibbs Sampler), rjags offre un framework per modellazione, inferenza e predizione bayesiane.

Prerequisiti

Fundamentals of Bayesian Data Analysis in R Introduction to the Tidyverse

1

Introduction to Bayesian Modeling

Bayesian models combine prior insights with insights from observed data to form updated, posterior insights about a parameter. In this chapter, you will review these Bayesian concepts in the context of the foundational Beta-Binomial model for a proportion parameter. You will also learn how to use the rjags package to define, compile, and simulate this model in R.

The prior model

Simulating a Beta prior

Comparing & contrasting Beta priors

Which prior?

Data & the likelihood

Simulating the dependence of X on p

Approximating the likelihood function

Interpreting the likelihood function

The posterior model

Define, compile, and simulate

Updating the posterior

Influence of the prior & data on the posterior

Inizia Il Capitolo

2

Bayesian Models & Markov Chains

The two-parameter Normal-Normal Bayesian model provides a simple foundation for Normal regression models. In this chapter, you will engineer the Normal-Normal and define, compile, and simulate this model using rjags. You will also explore the magic of the Markov chain mechanics behind rjags simulation.

The Normal-Normal model

Normal-Normal priors

Sleep study data

Insights from the prior and data

Simulating the Normal-Normal in RJAGS

Define, compile, & simulate the Normal-Normal

Posterior insights on sleep deprivation

Markov chains

Storing Markov chains

Markov chain trace plots

Markov chain density plots

Markov chain diagnostics & reproducibility

Multiple chains

Naive standard errors

Reproducibility

Inizia Il Capitolo

3

Bayesian Inference & Prediction

In this chapter, you will extend the Normal-Normal model to a simple Bayesian regression model. Within this context, you will explore how to use rjags simulation output to conduct posterior inference. Specifically, you will construct posterior estimates of regression parameters using posterior means & credible intervals, you will test hypotheses using posterior probabilities, and you will construct posterior predictive distributions for new observations.

A simple Bayesian regression model

Regression priors

Visualizing the regression priors

Weight & height data

Bayesian regression in RJAGS

Define, compile, & simulate the regression model

Regression Markov chains

Posterior estimation & inference

Posterior point estimates

Posterior credible intervals

Posterior probabilities

Posterior prediction

Inference for the posterior trend

Calculating posterior predictions

Posterior predictive distribution

Inizia Il Capitolo

4

Multivariate & Generalized Linear Models

In this final chapter, you will generalize the simple Normal regression model for application in broader contexts. You will incorporate categorical predictors, engineer a multivariate regression model with two predictors, and finally extend this methodology to Poisson multivariate regression models for count variables.

Bayesian regression with a categorical predictor

RailTrail sample data

RJAGS simulation with categorical variables

Interpreting categorical coefficients

Inference for volume by weekday

Multivariate Bayesian regression

Re-examining the RailTrail data

RJAGS simulation for multivariate regression

Interpreting multivariate regression parameters

Posterior inference for multivariate regression

Bayesian Poisson regression

RJAGS simulation for Poisson regression

Plotting the Poisson regression model

Inference for the Poisson rate parameter

Poisson posterior prediction

Inizia Il Capitolo

Modeling bayesiano con RJAGS

Corso
completato

Ottieni Attestato di conseguimento

Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CV
Condividila sui social e nella valutazione delle tue performanceIscriviti Ora

Unisciti a oltre 19 milioni di studenti e inizia Modeling bayesiano con RJAGS oggi!

Crea il tuo account gratuito

o

Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.

Aumenta le tue competenze sui dati con l'app di DataCamp

Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.