Last chance: 50% off unlimited learning
Sale ends in
Kurs Açıklaması
İstatistik ve Machine Learning için Bayesçi yaklaşım mantıklı, esnek ve sezgiseldir. Bu kursta, temel ve genellenebilir bir dizi Bayesçi modeli tasarlayıp analiz edeceksin. Bunların kapsamı, tek parametreli temel modellerden orta seviyede çok değişkenli ve genelleştirilmiş doğrusal regresyon modellerine kadar uzanır. Bu tür Bayesçi modellerin popülaritesi, uygulama için gereken hesaplama kaynaklarının erişilebilirliğiyle birlikte arttı. Bu kaynaklardan birini — R içindeki rjags paketini — kullanacaksın. R'nin gücünü JAGS (Just Another Gibbs Sampler) motoruyla birleştiren rjags, Bayesçi modelleme, çıkarım ve tahmin için bir çerçeve sunar.
Ön Koşullar
Müfredat
Kurs planı
1
Bayesçi Modellemenin Temelleri
Bayesçi modeller, bir parametre hakkında öncül içgörüleri gözlemlenen verilerden gelen içgörülerle birleştirerek güncellenmiş, artgönderim (posterior) içgörüler oluşturur. Bu bölümde, oransal bir parametre için temel Beta-Binomial model bağlamında bu Bayesçi kavramları gözden geçireceksin. Ayrıca bu modeli R'de tanımlamak, derlemek ve benzetimini yapmak için rjags paketini nasıl kullanacağını öğreneceksin.
- Ön model50 XP
- Bir Beta önciliğini simüle etme100 XP
- Beta öncellerini karşılaştırma ve ayırt etme100 XP
- Hangi önsel?50 XP
- Veri ve olabilirlik50 XP
- X'in p'ye bağımlılığını simüle etme100 XP
- Olabilirlik fonksiyonunu yaklaştırma100 XP
- Olabilirlik fonksiyonunu yorumlama50 XP
- Art Alan Modeli50 XP
- Tanımla, derle ve simüle et100 XP
- Artalanın güncellenmesi100 XP
- Öncelin (prior) ve verinin (data) art alıl (posterior) üzerindeki etkisi50 XP
2
Bayesçi Modeller ve Markov Zincirleri
İki parametreli Normal-Normal Bayesçi model, Normal regresyon modelleri için basit bir temel sunar. Bu bölümde, Normal-Normal modeli tasarlayacak ve bu modeli rjags kullanarak tanımlayıp derleyerek benzetimini yapacaksın. Ayrıca rjags benzetiminin arkasındaki Markov zinciri mekaniklerinin "sihir"ini keşfedeceksin.
3
Bayesçi Çıkarım ve Tahmin
Bu bölümde, Normal-Normal modeli basit bir Bayesçi regresyon modeline genişleteceksin. Bu bağlamda, artgönderim çıkarımı yapmak için rjags benzetim çıktısını nasıl kullanacağını keşfedeceksin. Özellikle, regresyon parametrelerinin artgönderim ortalamaları ve güvenilir aralıklarıyla artgönderim tahminlerini kuracak, artgönderim olasılıklarını kullanarak hipotezleri test edecek ve yeni gözlemler için artgönderim yordayıcı dağılımlar oluşturacaksın.
4
Çok Değişkenli ve Genelleştirilmiş Doğrusal Modeller
Bu son bölümde, basit Normal regresyon modelini daha geniş bağlamlarda uygulanacak şekilde genelleştireceksin. Kategorik yordayıcıları dahil edecek, iki yordayıcılı çok değişkenli bir regresyon modeli tasarlayacak ve son olarak bu yöntemi sayım değişkenleri için Poisson çok değişkenli regresyon modellerine genişleteceksin.
R
RJAGS ile Bayesçi Modelleme
Kurs
Tamamlandı
