Statystyka bayesowska i modelowanie MCMC

Gdy dane ze świata rzeczywistego stają się zbyt złożone, aby można było zastosować proste rozwiązania analityczne, statystyka bayesowska opiera się na potężnych algorytmach obliczeniowych, aby znaleźć odpowiedzi. Ten kurs tekstowy prowadzi od podstawowych koncepcji prawdopodobieństwa do zaawansowanego modelowania obliczeniowego.Dowiesz się, jak przejść od prostych modeli sprzężonych do elastycznych, opartych na symulacji podejść, dając Ci umiejętności rozwiązywania złożonych problemów statystycznych za pomocą technik Markov chain Monte Carlo (MCMC). Czego się nauczysz: - Zrozum podstawowe zasady wnioskowania bayesowskiego, wcześniejszych rozkładów i późniejszego szacowania. - Skonfiguruj i zaimplementuj algorytmy Markov chain Monte Carlo (MCMC), w tym próbkowanie Metropolis-Hastings i Gibbs. - Twórz hierarchiczne i uogólnione modele liniowe do analizy uporządkowanych, rzeczywistych zbiorów danych. - Oceń konwergencję i wydajność modelu za pomocą nowoczesnych narzędzi diagnostycznych i wykresów śladowych. - Zastosuj nowoczesne koncepcje programowania probabilistycznego, aby napisać czysty, powtarzalny kod statystyczny. Kurs rozpoczyna się od podstawowej terminologii i matematycznych podstaw wnioskowania bayesowskiego, zanim przejdziesz krok po kroku do technik symulacji.Będziesz czytać jasne wyjaśnienia, studiować ilustracyjne fragmenty kodu i pracować nad praktycznymi scenariuszami, aby zbudować solidny zestaw narzędzi statystycznych. Ten kurs jest przeznaczony dla początkujących, którzy chcą poszerzyć swoje możliwości statystyczne; nie jest wymagane wcześniejsze doświadczenie z MCMC lub zaawansowanym modelowaniem bayesowskim. Zacznij odkrywać możliwości analizy bayesowskiej opartej na symulacji już dziś.