Ga naar hoofdinhoud

Cursus

Bayesiaans modelleren met RJAGS

GevorderdVaardigheidsniveau

Bijgewerkt 07-2022

In deze cursus leer je hoe je met RJAGS meer geavanceerde Bayesiaanse modellen kunt maken.

Start Cursus Kosteloos

RProbability & Statistics4 u15 videos58 Opdrachten4,650 XP7,766Prestatieverklaring

Maak je gratis account aan

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Geliefd bij leerlingen van duizenden bedrijven

Wil je 2 of meer mensen trainen?

Probeer DataCamp for Business

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

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

Hoofdstuk Beginnen

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

Hoofdstuk Beginnen

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

Hoofdstuk Beginnen

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

Hoofdstuk Beginnen

Bayesiaans modelleren met RJAGS

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf Je Nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Bayesiaans modelleren met RJAGS!

Maak je gratis account aan

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.