CommencerCommencez gratuitement

Accueil
Cours
Fondamentaux de l'analyse bayésienne des données en R

Modifiez tout et n'importe quoi

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Cet exercice fait partie du cours

<cours>Fondamentaux de l'analyse bayésienne des données en R</cours>

IntermédiaireNiveau de compétence

4.9+

Commencer le cours gratuitement

Ce chapitre vous fera découvrir l'analyse bayésienne des données et vous donnera un aperçu concret de son fonctionnement.

Exercise 1: Un premier aperçu de Bayes Exercise 2: Inconnues et glaces Exercise 3: Essayons l'analyse de données bayésienne Exercise 4: Lancers de pièce avec prop_model Exercise 5: Drogues anti-zombies avec prop_model Exercise 6: Échantillons et résumés a posteriori Exercise 7: Examiner des échantillons issus de prop_model Exercise 8: Résumer l'expérience sur le médicament anti-zombie Exercise 9: Vous avez réalisé une analyse de données bayésienne !

Dans ce chapitre, nous examinerons en détail les fondements de l'inférence bayésienne.

Exercise 1: Les éléments nécessaires à l'inférence bayésienne Exercise 2: Faites un tour avec un modèle génératif Exercise 3: Essayez la loi binomiale Exercise 4: Utiliser un modèle génératif Exercise 5: Combien de visiteurs votre site pourrait-il recevoir (1) ?Exercise 6: Représenter l'incertitude avec des lois a priori Exercise 7: Ajouter un a priori au modèle Exercise 8: Modèles bayésiens et conditionnement Exercise 9: Mettre à jour un modèle bayésien avec des données Exercise 10: Combien de visiteurs votre site pourrait-il obtenir (3) ?Exercise 11: Qu'avons-nous accompli ?

Ce chapitre vous présentera quatre raisons pour lesquelles l'analyse bayésienne des données est un outil précieux à avoir dans votre boîte à outils de data science.

Exercise 1: Quatre bonnes raisons d'adopter Bayes Exercise 2: Explorer l'utilisation de la loi bêta comme a priori Exercise 3: Choisir l'a priori qui reflète le mieux l'information Exercise 4: Modifier le modèle pour utiliser une loi a priori informative Exercise 5: Contrastes et comparaisons Exercise 6: Ajuster le modèle avec un autre jeu de données Exercise 7: Calcul de la différence a posteriori Exercise 8: Analyse de décision Exercise 9: Une petite analyse de décision 1 Exercise 10: Une petite analyse de décision 2 Exercise 11: Modifiez tout et n'importe quoi

Exercice actuel

Exercise 12: La loi de Poisson Exercise 13: Clics par jour plutôt que clics par bannière Exercise 14: Bayes est optimal, en quelque sorte...

Découvrez le théorème de Bayes et apprenez à l'utiliser pour l'inférence statistique.

Exercise 1: Règles de probabilité Exercise 2: Cartes et règle de somme Exercise 3: Cartes et règle du produit Exercise 4: Calculer des vraisemblances Exercise 5: De rbinom à dbinom Exercise 6: Calculer des probabilités avec dbinom Exercise 7: Calcul bayésien Exercise 8: Calcul d'une distribution conjointe Exercise 9: Conditionner sur les données (encore)Exercise 10: Un raccourci conditionnel Exercise 11: Théorème de Bayes Exercise 12: Description d'un modèle de Poisson

Découvrez comment utiliser la loi Normale pour analyser des données continues et essayez un outil pour l'analyse bayésienne pratique en R.

Exercise 1: La température d'un lac Normal Exercise 2: rnorm, dnorm et le poids des nouveau-nés Exercise 3: Un modèle bayésien de la température de l'eau Exercise 4: Un modèle bayésien du QI des zombies Exercise 5: À vue de nez : le QI moyen des zombies ?Exercise 6: Répondre à la question : Dois-je organiser une fête sur la plage ?Exercise 7: Échantillonner depuis la postérieure des zombies Exercise 8: Mais à quel point le prochain zombie sera-t-il intelligent ?Exercise 9: Un outil pratique : BEST Exercise 10: Les modèles BEST et des zombies au régime Exercise 11: BEST est robuste Exercise 12: Qu'avez-vous appris ? Qu'avons-nous manqué ?