După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
Descrierea cursului
Abordarea bayesiană a statisticii și a învățării automate este logică, flexibilă și intuitivă. În acest curs, vei construi și analiza o familie de modele bayesiene fundamentale și generalizabile. Acestea acoperă un spectru larg, de la modele simple cu un singur parametru până la modele de regresie liniară multivariată și generalizată. Popularitatea acestor modele bayesiene a crescut odată cu disponibilitatea resurselor de calcul necesare implementării lor. Vei utiliza una dintre aceste resurse – pachetul rjags din R. Combinând puterea limbajului R cu motorul JAGS (Just Another Gibbs Sampler), rjags oferă un cadru complet pentru modelare bayesiană, inferență și predicție.
Cerințe prealabile
Programă
Planul cursului
1
Introducere în modelarea bayesiană
Modelele bayesiene combină cunoștințele anterioare cu informațiile din datele observate pentru a obține o perspectivă actualizată – cea posterioară – asupra unui parametru. În acest capitol, vei recapitula aceste concepte bayesiene în contextul modelului fundamental Beta-Binomial pentru un parametru de proporție. Vei învăța, de asemenea, cum să folosești pachetul rjags pentru a defini, compila și simula acest model în R.
- Modelul prior50 XP
- Simularea unei distribuții Beta a priori100 XP
- Compararea distribuțiilor Beta a priori100 XP
- Ce prior alegi?50 XP
- Date și funcția de verosimilitate50 XP
- Simularea dependenței lui X față de p100 XP
- Aproximarea funcției de verosimilitate100 XP
- Interpretarea funcției de verosimilitate50 XP
- Modelul posterior50 XP
- Definește, compilează și simulează100 XP
- Actualizarea posteriorului100 XP
- Influența priorului și a datelor asupra posteriorului50 XP
2
Modele bayesiene și lanțuri Markov
Modelul bayesian Normal-Normal cu doi parametri oferă o bază simplă pentru modelele de regresie normală. În acest capitol, vei construi modelul Normal-Normal și îl vei defini, compila și simula folosind rjags. Vei explora, totodată, mecanica lanțurilor Markov care stă la baza simulărilor din rjags.
3
Inferență și predicție bayesiană
În acest capitol, vei extinde modelul Normal-Normal la un model simplu de regresie bayesiană. În acest context, vei explora cum să folosești rezultatele simulării din rjags pentru a realiza inferențe posterioare. Concret, vei construi estimări posterioare ale parametrilor de regresie prin medii posterioare și intervale de credibilitate, vei testa ipoteze folosind probabilități posterioare și vei construi distribuții predictive posterioare pentru observații noi.
4
Modele liniare multivariate și generalizate
În acest capitol final, vei generaliza modelul simplu de regresie normală pentru aplicații în contexte mai largi. Vei incorpora predictori categoriali, vei construi un model de regresie multivariată cu doi predictori și, în final, vei extinde această metodologie la modele de regresie Poisson multivariată pentru variabile de tip numărare.
R
Modelare bayesiană cu RJAGS
Curs
finalizat
