Name: Байесовское моделирование с RJAGS
Rating: 4.862745098039215 (51 reviews)

Описание курса

Байесовский подход к статистике и машинному обучению отличается логичностью, гибкостью и интуитивной понятностью. В этом курсе вы построите и исследуете семейство фундаментальных и универсальных байесовских моделей — от простых однопараметрических до многомерных и обобщённых линейных регрессионных моделей. Популярность таких моделей растёт вместе с доступностью вычислительных ресурсов, необходимых для их реализации. Вы будете использовать один из таких ресурсов — пакет rjags для R. Сочетая возможности R с движком JAGS (Just Another Gibbs Sampler), rjags предоставляет среду для байесовского моделирования, статистического вывода и прогнозирования.

Предварительные требования

Fundamentals of Bayesian Data Analysis in R Introduction to the Tidyverse

Программа

Структура курса

Введение в байесовское моделирование

Байесовские модели объединяют априорные знания с информацией из наблюдаемых данных, формируя обновлённые апостериорные оценки параметров. В этой главе вы рассмотрите ключевые байесовские концепции на примере фундаментальной бета-биномиальной модели для параметра доли. Вы также научитесь использовать пакет rjags для определения, компиляции и симуляции этой модели в R.

Начать главу

Байесовские модели и цепи Маркова

Двухпараметрическая нормально-нормальная байесовская модель служит простой основой для нормальных регрессионных моделей. В этой главе вы построите нормально-нормальную модель, определите, скомпилируете и смоделируете её с помощью rjags. Кроме того, вы изучите принципы работы цепей Маркова, лежащие в основе симуляции в rjags.

Начать главу

Байесовский вывод и прогнозирование

В этой главе вы расширите нормально-нормальную модель до простой байесовской регрессионной модели. В этом контексте вы изучите, как использовать результаты симуляции rjags для апостериорного вывода. В частности, вы построите апостериорные оценки параметров регрессии с помощью апостериорных средних и достоверных интервалов, проверите гипотезы с использованием апостериорных вероятностей и построите апостериорные прогнозные распределения для новых наблюдений.

Начать главу

Многомерные и обобщённые линейные модели

В заключительной главе вы обобщите простую нормальную регрессионную модель для применения в более широких контекстах. Вы включите категориальные предикторы, построите многомерную регрессионную модель с двумя предикторами и, наконец, расширите эту методологию до пуассоновских многомерных регрессионных моделей для счётных переменных.