Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Estymacja bayesowska to elastyczna alternatywa dla technik modelowania opartych na wartościach p. W tym kursie nauczysz się estymować modele regresji liniowej metodami bayesowskimi z użyciem pakietu rstanarm. Poznasz rozkłady a priori, sprawdzanie modelu na podstawie predykcji a posteriori oraz porównywanie modeli w podejściu bayesowskim. Dowiesz się też, jak wykorzystać wyestymowany model do prognozowania na nowych danych.
Wymagania wstępne
Program nauczania
Plan kursu
1
Wprowadzenie do bayesowskich modeli liniowych
Powtórzenie regresji frekwentystycznej z użyciem lm(), wprowadzenie do regresji bayesowskiej z użyciem stan_glm() oraz porównanie wyników obu podejść.
- Regresja liniowa – podejście częstościowe50 XP
- Eksploracja danych100 XP
- Dopasowywanie modelu regresji liniowej w podejściu częstościowym100 XP
- Bayesowska regresja liniowa50 XP
- Dopasowywanie bayesowskiego modelu regresji liniowej100 XP
- Kryterium zbieżności50 XP
- Ocena zbieżności modelu50 XP
- Porównanie metod częstościowych i bayesowskich50 XP
- Różnica między podejściem frekwentystycznym a bayesowskim50 XP
- Tworzenie przedziałów wiarygodności100 XP
2
Modyfikowanie modelu bayesowskiego
Dowiedz się, jak modyfikować model bayesowski: zmieniać liczbę i długość łańcuchów, dostosowywać rozkłady a priori oraz dodawać predyktory.
3
Ocena dopasowania modelu
W tym rozdziale nauczysz się oceniać, czy wyestymowany model dobrze pasuje do danych, oraz porównywać ze sobą konkurencyjne modele.
4
Prezentacja i zastosowanie regresji bayesowskiej
W tym rozdziale dowiesz się, jak wykorzystać wyestymowany model do tworzenia wizualizacji oraz prognozowania na nowych danych.
R
Bayesowskie modelowanie regresji z rstanarm
Kurs
ukończony
