After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Баєсівський підхід до статистики та машинного навчання є логічним, гнучким і інтуїтивним. У цьому курсі ви створите й проаналізуєте родину базових, узагальнюваних Баєсівських моделей. Вони охоплюють діапазон від фундаментальних однопараметричних моделей до проміжних багатовимірних і узагальнених лінійних регресійних моделей. Популярність таких Баєсівських моделей зростає разом із доступністю обчислювальних ресурсів, потрібних для їх реалізації. Ви скористаєтеся одним із цих ресурсів — пакетом rjags у R. Поєднуючи можливості R з рушієм JAGS (Just Another Gibbs Sampler), rjags надає основу для Баєсівського моделювання, висновування та прогнозування.
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до Баєсівського моделювання
Баєсівські моделі поєднують початкові уявлення (апріорні) з інформацією зі спостережених даних, щоб сформувати оновлені, апостеріорні уявлення про параметр. У цьому розділі ви згадаєте ці Баєсівські поняття на прикладі базової моделі Бета–біноміального розподілу для параметра частки. Також ви навчитеся використовувати пакет rjags, щоб визначати, компілювати та моделювати цю модель у R.
- Попередня модель50 XP
- Імітація бета-апріорі100 XP
- Порівняння бета-пріорів100 XP
- Який апріорний розподіл?50 XP
- Дані й функція правдоподібності50 XP
- Моделювання залежності X від p100 XP
- Наближення функції правдоподібності100 XP
- Тлумачення функції правдоподібності50 XP
- Апостеріорна модель50 XP
- Визначте, скомпілюйте та змоделюйте100 XP
- Оновлення апостеріорного розподілу100 XP
- Вплив апріорного розподілу й даних на апостеріорний50 XP
2
Баєсівські моделі та ланцюги Маркова
Двопараметрична Баєсівська модель Нормальний–Нормальний забезпечує просту основу для нормальних регресійних моделей. У цьому розділі ви побудуєте модель Нормальний–Нормальний і визначите, скомпілюєте та змоделюєте її за допомогою rjags. Ви також дослідите механіку ланцюгів Маркова, яка лежить в основі симуляції в rjags.
3
Баєсівське висновування та прогнозування
У цьому розділі ви розширите модель Нормальний–Нормальний до простої Баєсівської регресійної моделі. У цьому контексті ви розглянете, як використовувати результати симуляції rjags для проведення апостеріорного висновування. Зокрема, ви побудуєте апостеріорні оцінки регресійних параметрів за допомогою апостеріорних середніх і довірчих інтервалів, перевірите гіпотези через апостеріорні ймовірності та побудуєте апостеріорні прогностичні розподіли для нових спостережень.
4
Багатовимірні та узагальнені лінійні моделі
У фінальному розділі ви узагальните просту нормальну регресійну модель для ширших завдань. Ви додасте категоріальні предиктори, побудуєте багатовимірну регресійну модель із двома предикторами та, зрештою, поширите цю методологію на багатовимірні регресії Пуассона для лічильних змінних.
R
Баєсівське моделювання з RJAGS
Курс
завершено
