หลังจากเรียนคอร์สเหล่านี้ รู้สึกมั่นใจในการสร้างการแสดงผลข้อมูลและแดชบอร์ดระดับมืออาชีพ
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
การประมาณค่าแบบ Bayesian เป็นทางเลือกที่ยืดหยุ่นแทนเทคนิคการสร้างโมเดลที่อาศัย p-value ในคอร์สนี้ คุณจะได้เรียนรู้วิธีประมาณค่าโมเดลการถดถอยเชิงเส้นด้วยวิธี Bayesian และแพ็กเกจ rstanarm รวมถึงได้รู้จักกับการแจกแจงก่อน (prior distributions) การตรวจสอบโมเดลด้วย posterior predictive และการเปรียบเทียบโมเดลในกรอบ Bayesian นอกจากนี้ยังจะได้เรียนรู้วิธีนำโมเดลที่ประมาณค่าแล้วไปใช้ทำนายข้อมูลใหม่
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงร่างคอร์ส
1
บทนำสู่โมเดลเชิงเส้นแบบ Bayesian
ทบทวนการถดถอยแบบ frequentist ด้วย lm() แนะนำการถดถอยแบบ Bayesian ด้วย stan_glm() และเปรียบเทียบผลลัพธ์ของทั้งสองแนวทาง
- การถดถอยเชิงเส้นแบบ Non-Bayesian50 XP
- สำรวจข้อมูล100 XP
- การสร้างโมเดล Linear Regression แบบ Frequentist100 XP
- การถดถอยเชิงเส้นแบบเบส์50 XP
- การ Fit โมเดลการถดถอยเชิงเส้นแบบ Bayesian100 XP
- เกณฑ์การ convergence50 XP
- การประเมินการลู่เข้าของโมเดล50 XP
- การเปรียบเทียบวิธี Frequentist และ Bayesian50 XP
- ความแตกต่างระหว่าง Frequentist และ Bayesian50 XP
- การสร้างช่วงความน่าเชื่อถือ100 XP
2
การปรับแต่งโมเดล Bayesian
เรียนรู้วิธีปรับแต่งโมเดล Bayesian ทั้งการเปลี่ยนจำนวนและความยาวของ chain การเปลี่ยน prior distributions และการเพิ่มตัวแปรทำนาย
3
การประเมินความเหมาะสมของโมเดล
ในบทนี้ จะได้เรียนรู้วิธีตรวจสอบว่าโมเดลที่ประมาณค่าแล้วเหมาะสมกับข้อมูลหรือไม่ และวิธีเปรียบเทียบโมเดลที่แข่งขันกัน
4
การนำเสนอและใช้งานการถดถอยแบบ Bayesian
ในบทนี้ จะได้เรียนรู้วิธีนำโมเดลที่ประมาณค่าแล้วมาสร้างการแสดงภาพ และทำนายผลสำหรับข้อมูลใหม่
R
การสร้างโมเดลการถดถอยแบบ Bayesian ด้วย rstanarm
เรียนคอร์สจบแล้ว
