Build your ultimate AI agent
รายละเอียดคอร์ส
แนวทาง Bayesian ในสถิติและ machine learning มีความสมเหตุสมผล ยืดหยุ่น และเข้าใจง่าย ในคอร์สนี้ จะได้สร้างและวิเคราะห์แบบจำลอง Bayesian พื้นฐานที่นำไปประยุกต์ใช้ได้หลากหลาย ตั้งแต่แบบจำลองที่มีพารามิเตอร์เดียวไปจนถึงแบบจำลองการถดถอยเชิงเส้นแบบพหุตัวแปรและแบบทั่วไป ความนิยมของแบบจำลอง Bayesian เติบโตขึ้นพร้อมกับทรัพยากรการประมวลผลที่พร้อมใช้งานมากขึ้น คอร์สนี้จะใช้หนึ่งในทรัพยากรเหล่านั้น ได้แก่ แพ็กเกจ rjags ใน R ซึ่งผสานพลังของ R เข้ากับเอนจิน JAGS (Just Another Gibbs Sampler) เพื่อสร้างกรอบการทำงานสำหรับการสร้างแบบจำลอง Bayesian การอนุมาน และการพยากรณ์
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
เบื้องต้นเกี่ยวกับการสร้างแบบจำลอง Bayesian
แบบจำลอง Bayesian ผสานความรู้เดิม (prior) เข้ากับข้อมูลที่สังเกตได้ เพื่อสร้างความเข้าใจใหม่ (posterior) เกี่ยวกับพารามิเตอร์ที่ต้องการ ในบทนี้ จะทบทวนแนวคิด Bayesian เหล่านี้ผ่านแบบจำลอง Beta-Binomial พื้นฐานสำหรับพารามิเตอร์สัดส่วน รวมถึงเรียนรู้วิธีใช้แพ็กเกจ rjags เพื่อกำหนด คอมไพล์ และจำลองแบบจำลองนี้ใน R
- โมเดลก่อนการสังเกต (Prior Model)50 XP
- การจำลอง Beta Prior100 XP
- เปรียบเทียบ Beta priors รูปแบบต่าง ๆ100 XP
- เลือก prior แบบไหน?50 XP
- ข้อมูลและฟังก์ชัน Likelihood50 XP
- การจำลองความสัมพันธ์ระหว่าง X กับ p100 XP
- การประมาณค่าฟังก์ชัน Likelihood100 XP
- ทำความเข้าใจฟังก์ชันความน่าจะเป็น (Likelihood Function)50 XP
- โมเดล Posterior50 XP
- กำหนด คอมไพล์ และจำลอง100 XP
- การอัปเดต posterior100 XP
- อิทธิพลของการกระจายก่อนหน้าและข้อมูลที่มีต่อการกระจายหลังการอัปเดต50 XP
2
แบบจำลอง Bayesian และ Markov Chains
แบบจำลอง Bayesian แบบ Normal-Normal ที่มีสองพารามิเตอร์เป็นรากฐานที่เรียบง่ายสำหรับโมเดลการถดถอยแบบ Normal ในบทนี้ จะสร้างแบบจำลอง Normal-Normal และกำหนด คอมไพล์ รวมถึงจำลองแบบจำลองนี้ด้วย rjags นอกจากนี้ยังจะสำรวจกลไกของ Markov chain ที่อยู่เบื้องหลังการจำลองของ rjags
3
การอนุมานและการพยากรณ์แบบ Bayesian
ในบทนี้ จะขยายแบบจำลอง Normal-Normal ไปสู่โมเดลการถดถอย Bayesian แบบเรียบง่าย พร้อมสำรวจวิธีใช้ผลลัพธ์จากการจำลอง rjags เพื่อทำการอนุมาน posterior โดยเฉพาะอย่างยิ่ง จะสร้างค่าประมาณ posterior ของพารามิเตอร์การถดถอยด้วยค่าเฉลี่ย posterior และช่วงความน่าเชื่อถือ ทดสอบสมมติฐานด้วยความน่าจะเป็น posterior และสร้างการแจกแจง posterior เชิงพยากรณ์สำหรับข้อมูลใหม่
4
โมเดลการถดถอยเชิงเส้นแบบพหุตัวแปรและแบบทั่วไป
ในบทสุดท้ายนี้ จะขยายโมเดลการถดถอยแบบ Normal อย่างง่ายเพื่อนำไปใช้ในบริบทที่กว้างขึ้น โดยจะเพิ่มตัวทำนายเชิงกลุ่ม สร้างโมเดลการถดถอยแบบพหุตัวแปรที่มีสองตัวทำนาย และขยายวิธีการนี้ไปสู่โมเดลการถดถอย Poisson แบบพหุตัวแปรสำหรับตัวแปรนับ
R
การสร้างแบบจำลอง Bayesian ด้วย RJAGS
เรียนจบแล้ว
