После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Байесовское оценивание предлагает гибкую альтернативу методам моделирования, основанным на p-значениях. В этом курсе вы научитесь оценивать модели линейной регрессии с помощью байесовских методов и пакета rstanarm. Вы познакомитесь с априорными распределениями, апостериорной проверкой предсказательной модели и сравнением моделей в рамках байесовского подхода. Кроме того, вы узнаете, как использовать построенную модель для прогнозирования на новых данных.
Предварительные требования
Программа
План курса
1
Введение в байесовские линейные модели
Обзор частотной регрессии с помощью lm(), введение в байесовскую регрессию с помощью stan_glm() и сравнение соответствующих результатов.
- Линейная регрессия без байесовского подхода50 XP
- Изучение данных100 XP
- Построение частотной линейной регрессии100 XP
- Байесовская линейная регрессия50 XP
- Подгонка байесовской линейной регрессии100 XP
- Критерии сходимости50 XP
- Оценка сходимости модели50 XP
- Сравнение частотного и байесовского подходов50 XP
- Различие между частотным и байесовским подходами50 XP
- Построение достоверных интервалов100 XP
2
Изменение байесовской модели
Вы узнаете, как изменять байесовскую модель: задавать количество и длину цепочек, менять априорные распределения и добавлять предикторы.
3
Оценка качества модели
В этой главе вы научитесь оценивать, насколько построенная модель соответствует данным, и сравнивать конкурирующие модели.
4
Представление и применение байесовской регрессии
В этой главе вы узнаете, как использовать построенную модель для создания визуализаций и прогнозирования на новых данных.
R
Байесовское регрессионное моделирование с rstanarm
Курс
завершён
