Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
A abordagem Bayesiana para estatística e Machine Learning é lógica, flexível e intuitiva. Neste curso, você vai construir e analisar uma família de modelos Bayesianos fundamentais e generalizáveis. Eles vão desde modelos básicos de um parâmetro até modelos intermediários de regressão multivariada e linear generalizada. A popularidade desses modelos Bayesianos cresceu junto com a disponibilidade de recursos computacionais necessários para sua implementação. Você vai usar um desses recursos: o pacote rjags no R. Combinando o poder do R com o motor JAGS (Just Another Gibbs Sampler), o rjags oferece uma base para modelagem, inferência e previsão Bayesianas.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Introdução à Modelagem Bayesiana
Modelos Bayesianos combinam conhecimentos prévios com informações dos dados observados para formar conhecimentos atualizados, ou posteriores, sobre um parâmetro. Neste capítulo, você vai revisar esses conceitos Bayesianos no contexto do modelo fundamental Beta-Binomial para um parâmetro de proporção. Você também vai aprender a usar o pacote rjags para definir, compilar e simular esse modelo no R.
- O modelo a priori50 XP
- Simulando uma priori Beta100 XP
- Comparando e contrastando priors Beta100 XP
- Qual priori?50 XP
- Dados e a verossimilhança50 XP
- Simulando a dependência de X em p100 XP
- Aproximando a função de verossimilhança100 XP
- Interpretando a função de verossimilhança50 XP
- O modelo a posteriori50 XP
- Definir, compilar e simular100 XP
- Atualizando a posteriori100 XP
- Influência da prior e dos dados na posterior50 XP
2
Modelos Bayesianos e Cadeias de Markov
O modelo Bayesiano Normal-Normal de dois parâmetros fornece uma base simples para modelos de regressão Normal. Neste capítulo, você vai construir o Normal-Normal e definir, compilar e simular esse modelo usando o rjags. Você também vai explorar a "mágica" da mecânica de cadeias de Markov por trás da simulação do rjags.
3
Inferência e Previsão Bayesianas
Neste capítulo, você vai estender o modelo Normal-Normal para um modelo simples de regressão Bayesiana. Nesse contexto, você vai explorar como usar a saída de simulação do rjags para conduzir a inferência posterior. Especificamente, você vai construir estimativas posteriores dos parâmetros de regressão usando médias posteriores e intervalos credíveis, vai testar hipóteses usando probabilidades posteriores e vai construir distribuições preditivas posteriores para novas observações.
4
Modelos Multivariados e Lineares Generalizados
Neste capítulo final, você vai generalizar o modelo simples de regressão Normal para aplicação em contextos mais amplos. Você vai incorporar preditores categóricos, construir um modelo de regressão multivariada com dois preditores e, por fim, estender essa metodologia para modelos de regressão multivariada de Poisson para variáveis de contagem.
R
Modelagem Bayesiana com RJAGS
Curso
concluído
