Build your ultimate AI agent
Mô tả khóa học
Cách tiếp cận Bayesian cho thống kê và Machine Learning mang tính logic, linh hoạt và trực quan. Trong khóa học này, bạn sẽ xây dựng và phân tích một họ các mô hình Bayesian nền tảng, có thể khái quát. Chúng trải dài từ các mô hình cơ bản với một tham số đến các mô hình hồi quy tuyến tính tổng quát và đa biến ở mức trung cấp. Mức độ phổ biến của các mô hình Bayesian như vậy gia tăng cùng với sự sẵn có của tài nguyên tính toán cần thiết để triển khai. Bạn sẽ sử dụng một trong các tài nguyên này — gói rjags trong R. Kết hợp sức mạnh của R với bộ máy JAGS (Just Another Gibbs Sampler), rjags cung cấp một khuôn khổ cho mô hình hóa, suy luận và dự đoán theo Bayesian.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Giới thiệu về Mô hình hóa Bayesian
Mô hình Bayesian kết hợp hiểu biết tiên nghiệm với hiểu biết từ dữ liệu quan sát để tạo thành hiểu biết hậu nghiệm, đã được cập nhật, về một tham số. Trong chương này, bạn sẽ ôn lại các khái niệm Bayesian trong bối cảnh mô hình Beta–Binomial nền tảng cho một tham số tỷ lệ. Bạn cũng sẽ học cách dùng gói rjags để định nghĩa, biên dịch và mô phỏng mô hình này trong R.
- Mô hình tiên nghiệm50 XP
- Mô phỏng phân phối tiên nghiệm Beta100 XP
- So sánh các prior Beta100 XP
- Chọn prior nào?50 XP
- Dữ liệu & hàm khả năng50 XP
- Mô phỏng sự phụ thuộc của X vào p100 XP
- Xấp xỉ hàm likelihood100 XP
- Diễn giải hàm hợp lý50 XP
- Mô hình hậu nghiệm50 XP
- Định nghĩa, biên dịch và mô phỏng100 XP
- Cập nhật hậu nghiệm100 XP
- Ảnh hưởng của prior và dữ liệu lên posterior50 XP
2
Mô hình Bayesian & Chuỗi Markov
Mô hình Bayesian Normal–Normal với hai tham số cung cấp nền tảng đơn giản cho các mô hình hồi quy Normal. Trong chương này, bạn sẽ xây dựng mô hình Normal–Normal và định nghĩa, biên dịch, cũng như mô phỏng mô hình này bằng rjags. Bạn cũng sẽ khám phá "ma thuật" của cơ chế chuỗi Markov đứng sau quá trình mô phỏng của rjags.
3
Suy luận & Dự đoán theo Bayesian
Trong chương này, bạn sẽ mở rộng mô hình Normal–Normal thành một mô hình hồi quy Bayesian đơn giản. Trong bối cảnh đó, bạn sẽ khám phá cách dùng đầu ra mô phỏng từ rjags để thực hiện suy luận hậu nghiệm. Cụ thể, bạn sẽ xây dựng ước lượng hậu nghiệm cho các tham số hồi quy bằng trung bình hậu nghiệm và khoảng tin cậy (credible intervals), kiểm định giả thuyết bằng xác suất hậu nghiệm, và xây dựng phân phối dự đoán hậu nghiệm cho các quan sát mới.
4
Mô hình Tuyến tính Đa biến & Tổng quát hóa
Ở chương cuối, bạn sẽ khái quát hóa mô hình hồi quy Normal đơn giản để áp dụng trong các bối cảnh rộng hơn. Bạn sẽ đưa biến dự báo phân loại vào mô hình, xây dựng một mô hình hồi quy đa biến với hai biến dự báo, và cuối cùng mở rộng phương pháp này sang các mô hình hồi quy Poisson đa biến cho biến đếm.
R
Mô hình hóa Bayesian với RJAGS
Hoàn
thành khóa học
