Build your ultimate AI agent
Opis kursu
Podejście bayesowskie do statystyki i uczenia maszynowego jest logiczne, elastyczne i intuicyjne. W tym kursie zbudujesz i przeanalizujesz rodzinę podstawowych, uniwersalnych modeli bayesowskich – od prostych modeli jednoparametrowych po wielowymiarowe uogólnione modele regresji liniowej. Popularność modeli bayesowskich rośnie wraz z dostępnością zasobów obliczeniowych potrzebnych do ich implementacji. Skorzystasz z jednego z takich narzędzi – pakietu rjags w R. Łącząc możliwości R z silnikiem JAGS (Just Another Gibbs Sampler), rjags dostarcza gotowego środowiska do modelowania bayesowskiego, wnioskowania i prognozowania.
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do modelowania bayesowskiego
Modele bayesowskie łączą wcześniejszą wiedzę z informacjami płynącymi z obserwowanych danych, tworząc zaktualizowane, posteriori oszacowania parametru. W tym rozdziale przypomnisz sobie podstawowe pojęcia bayesowskie na przykładzie fundamentalnego modelu Beta-Dwumianowego dla parametru proporcji. Nauczysz się też, jak używać pakietu rjags do definiowania, kompilowania i symulowania tego modelu w R.
- Model a priori50 XP
- Symulacja rozkładu a priori Beta100 XP
- Porównywanie rozkładów a priori Beta100 XP
- Który rozkład a priori?50 XP
- Dane i wiarygodność50 XP
- Symulowanie zależności X od p100 XP
- Aproksymacja funkcji wiarygodności100 XP
- Interpretacja funkcji wiarygodności50 XP
- Model a posteriori50 XP
- Zdefiniuj, skompiluj i zasymuluj100 XP
- Aktualizacja rozkładu posterior100 XP
- Wpływ rozkładu a priori i danych na rozkład a posteriori50 XP
2
Modele bayesowskie i łańcuchy Markowa
Dwuparametrowy model bayesowski Normalny-Normalny stanowi prosty fundament dla normalnych modeli regresji. W tym rozdziale zbudujesz model Normalny-Normalny oraz zdefiniujesz, skompilujesz i zasymplujesz go przy użyciu rjags. Poznasz też mechanikę łańcuchów Markowa leżącą u podstaw symulacji w rjags.
3
Wnioskowanie i prognozowanie bayesowskie
W tym rozdziale rozszerzysz model Normalny-Normalny do prostego bayesowskiego modelu regresji. W tym kontekście nauczysz się, jak wykorzystywać wyniki symulacji rjags do wnioskowania posteriori. Zbudujesz posteriori estymatory parametrów regresji za pomocą średnich posteriori i przedziałów wiarygodności, przetestujesz hipotezy przy użyciu prawdopodobieństw posteriori oraz wyznaczysz posteriori rozkłady predykcyjne dla nowych obserwacji.
4
Wielowymiarowe i uogólnione modele liniowe
W ostatnim rozdziale uogólnisz prosty normalny model regresji, aby można go było stosować w szerszych kontekstach. Uwzględnisz predyktory kategoryczne, zbudujesz wielowymiarowy model regresji z dwoma predyktorami, a następnie rozszerzysz tę metodologię na wielowymiarowe modele regresji Poissona dla zmiennych zliczeniowych.
R
Modelowanie bayesowskie z RJAGS
Kurs
ukończony
