Build your ultimate AI agent
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
Программа
Структура курса
1
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.
- Априорная модель50 XP
- Моделирование бета-априорного распределения100 XP
- Сравнение бета-априорных распределений100 XP
- Какое априорное распределение выбрать?50 XP
- Данные и функция правдоподобия50 XP
- Моделирование зависимости X от p100 XP
- Аппроксимация функции правдоподобия100 XP
- Интерпретация функции правдоподобия50 XP
- Апостериорная модель50 XP
- Определение, компиляция и симуляция100 XP
- Обновление апостериорного распределения100 XP
- Влияние априорного распределения и данных на апостериорное50 XP
2
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.
3
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.
4
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.
R
Байесовское моделирование с RJAGS
Курс
завершён
