Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Det bayesianska synsättet inom statistik och maskininlärning är logiskt, flexibelt och intuitivt. I den här kursen bygger och analyserar du en familj av grundläggande och generaliserbara bayesianska modeller. Dessa sträcker sig från enkla enparametersmodeller till mer avancerade multivariata och generaliserade linjära regressionsmodeller. Sådana bayesianska modellers popularitet har ökat i takt med tillgången till de beräkningsresurser som krävs för att implementera dem. Du kommer att använda ett av dessa verktyg – paketet rjags i R. Genom att kombinera kraften i R med JAGS-motorn (Just Another Gibbs Sampler) erbjuder rjags ett ramverk för bayesiansk modellering, inferens och prediktion.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till bayesiansk modellering
Bayesianska modeller kombinerar tidigare kunskap med insikter från observerade data för att bilda en uppdaterad, posteriori-baserad förståelse av en parameter. I det här kapitlet går du igenom dessa bayesianska begrepp i kontexten av den grundläggande Beta-Binomial-modellen för en proportionsparameter. Du lär dig också hur du använder paketet rjags för att definiera, kompilera och simulera den här modellen i R.
- Apriorimodellen50 XP
- Simulera en Beta-prior100 XP
- Jämföra olika betapriorier100 XP
- Vilken prior?50 XP
- Data och likelihoodfunktionen50 XP
- Simulera hur X beror på p100 XP
- Approximera likelihoodfunktionen100 XP
- Tolka likelihoodfunktionen50 XP
- Den posteriora modellen50 XP
- Definiera, kompilera och simulera100 XP
- Uppdatera posteriorn100 XP
- Priors och datas påverkan på posteriorn50 XP
2
Bayesianska modeller och Markovkedjor
Den tvåparameterbaserade Normal-Normal-modellen utgör en enkel grund för normala regressionsmodeller. I det här kapitlet konstruerar du Normal-Normal-modellen och definierar, kompilerar och simulerar den med hjälp av rjags. Du utforskar också mekaniken bakom Markovkedjorna som driver rjags-simuleringen.
3
Bayesiansk inferens och prediktion
I det här kapitlet utökar du Normal-Normal-modellen till en enkel bayesiansk regressionsmodell. Inom den kontexten lär du dig att använda rjags-simuleringsutdata för att genomföra posteriori-inferens. Konkret konstruerar du posteriori-skattningar av regressionsparametrar med hjälp av posteriorimedelvärden och trovärdighetsintervall, testar hypoteser med posterioribaserade sannolikheter och skapar posteriori-prediktiva fördelningar för nya observationer.
4
Multivariata och generaliserade linjära modeller
I det här sista kapitlet generaliserar du den enkla normala regressionsmodellen för tillämpning i bredare sammanhang. Du inkorporerar kategoriska prediktorer, bygger en multivariat regressionsmodell med två prediktorer och utökar sedan metodiken till Poisson-baserade multivariata regressionsmodeller för räknevariabler.
R
Bayesiansk modellering med RJAGS
Kurs
slutförd
