Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
De Bayesiaanse benadering van statistiek en Machine Learning is logisch, flexibel en intuïtief. In deze cursus ontwikkel en analyseer je een reeks fundamentele, generaliseerbare Bayesiaanse modellen. Die lopen uiteen van basismodellen met één parameter tot gemiddelde multivariate en gegeneraliseerde lineaire regressiemodellen. De populariteit van dit soort Bayesiaanse modellen is toegenomen door de beschikbaarheid van rekenkracht die nodig is voor de implementatie. Je werkt met een van deze hulpmiddelen: het rjags-pakket in R. Door de kracht van R te combineren met de JAGS (Just Another Gibbs Sampler)-engine, biedt rjags een framework voor Bayesiaans modelleren, inferentie en voorspelling.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot Bayesiaans modelleren
Bayesiaanse modellen combineren eerdere inzichten met inzichten uit geobserveerde data om geüpdatete, posterior-inzichten over een parameter te vormen. In dit hoofdstuk herhaal je deze Bayesiaanse concepten in de context van het fundamentele Beta-Binomiale model voor een proportieparameter. Je leert ook hoe je het rjags-pakket gebruikt om dit model in R te definiëren, te compileren en te simuleren.
- Het prior-model50 XP
- Een Beta-prior simuleren100 XP
- Beta-priors vergelijken en contrasteren100 XP
- Welke prior?50 XP
- Gegevens & de likelihood50 XP
- De afhankelijkheid van X van p simuleren100 XP
- De waarschijnlijkheidsfunctie benaderen100 XP
- De likelihoodfunctie interpreteren50 XP
- Het posterior model50 XP
- Definiëren, compileren en simuleren100 XP
- De posterior bijwerken100 XP
- Invloed van de prior en de data op de posterior50 XP
2
Bayesiaanse modellen & Markov-ketens
Het twee-parameter Normal-Normal Bayesiaanse model vormt een eenvoudige basis voor normale regressiemodellen. In dit hoofdstuk ontwikkel je het Normal-Normal model en definieer, compileer en simuleer je dit model met rjags. Je verkent ook de magie van de Markov-ketenmechanismen achter rjags-simulaties.
3
Bayesiaanse inferentie & voorspelling
In dit hoofdstuk breid je het Normal-Normal model uit naar een eenvoudig Bayesiaans regressiemodel. Binnen deze context verken je hoe je rjags-simulatieoutput gebruikt om posterior-inferentie uit te voeren. Concreet construeer je posterior-schattingen van regressieparameters met behulp van posterior-gemiddelden en geloofwaardige intervallen, test je hypothesen met posterior-kansen, en bouw je posterior predictieve verdelingen voor nieuwe observaties.
4
Multivariate & gegeneraliseerde lineaire modellen
In dit laatste hoofdstuk generaliseer je het eenvoudige normale regressiemodel voor toepassing in bredere contexten. Je neemt categorische voorspellers op, ontwikkelt een multivariaat regressiemodel met twee voorspellers en breidt deze methodologie tenslotte uit naar Poisson-multivariate regressiemodellen voor telvariabelen.
R
Bayesiaans modelleren met RJAGS
Cursus
voltooid
