Sau khi hoàn thành các khóa học này, tôi cảm thấy tự tin khi tạo các trực quan hóa và bảng điều khiển chuyên nghiệp
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Ước lượng Bayesian mang đến một lựa chọn linh hoạt so với các kỹ thuật mô hình hóa dựa vào p-value. Trong khóa học này, bạn sẽ học cách ước lượng các mô hình hồi quy tuyến tính bằng phương pháp Bayesian và gói rstanarm. Bạn sẽ được giới thiệu về phân phối tiên nghiệm, kiểm tra mô hình dự báo hậu nghiệm và so sánh mô hình trong khuôn khổ Bayesian. Bạn cũng sẽ học cách dùng mô hình đã ước lượng để dự đoán cho dữ liệu mới.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Giới thiệu về Mô hình Hồi quy Tuyến tính Bayesian
Ôn tập hồi quy frequentist với lm(), giới thiệu hồi quy Bayesian với stan_glm(), và so sánh các đầu ra tương ứng.
- Hồi quy tuyến tính phi-Bayesian50 XP
- Khám phá dữ liệu100 XP
- Ước lượng hồi quy tuyến tính theo tần suất (frequentist)100 XP
- Hồi quy tuyến tính Bayesian50 XP
- Khớp một hồi quy tuyến tính Bayes100 XP
- Tiêu chí hội tụ50 XP
- Đánh giá hội tụ của mô hình50 XP
- So sánh phương pháp tần suất và phương pháp Bayes50 XP
- Sự khác biệt giữa frequentist và Bayesian50 XP
- Tạo khoảng tin cậy (credible interval)100 XP
2
Điều chỉnh Mô hình Bayesian
Tìm hiểu cách điều chỉnh mô hình Bayesian của bạn, bao gồm thay đổi số lượng và độ dài các chuỗi (chains), thay đổi phân phối tiên nghiệm, và thêm biến dự báo.
3
Đánh giá Mức độ Phù hợp của Mô hình
Trong chương này, chúng ta sẽ học cách xác định xem mô hình đã ước lượng có phù hợp với dữ liệu hay không và cách so sánh các mô hình cạnh tranh.
4
Trình bày và Ứng dụng Hồi quy Bayesian
Trong chương này, chúng ta sẽ học cách dùng mô hình đã ước lượng để tạo trực quan hóa cho mô hình của bạn và đưa ra dự đoán cho dữ liệu mới.
R
Mô hình Hồi quy Bayesian với rstanarm
Hoàn
thành khóa học
