Zacznij terazZacznij za darmo

Strona główna
Kursy
Podstawy bayesowskiej analizy danych w R

Zmieniaj co chcesz i jak chcesz

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.

To ćwiczenie jest częścią kursu

Podstawy bayesowskiej analizy danych w R

SkillTag.level.intermediateSkillTag.label

4.9+

Rozpocznij kurs za darmo

Ten rozdział wprowadzi cię w bayesowską analizę danych i pozwoli poczuć, jak ona działa.

Exercise 1: Pierwsze spotkanie z Bayesem Exercise 2: Niewiadome i lody Exercise 3: Spróbujmy bayesowskiej analizy danych Exercise 4: Rzuty monetą z prop_model Exercise 5: Leki na zombie z prop_model Exercise 6: Próbki i podsumowania rozkładu a posteriori Exercise 7: Analiza próbek z prop_model Exercise 8: Podsumowanie eksperymentu z lekiem na zombie Exercise 9: Właśnie przeprowadziłeś analizę bayesowską!

W tym rozdziale przyjrzymy się szczegółowo podstawom wnioskowania bayesowskiego.

Exercise 1: Elementy potrzebne do wnioskowania bayesowskiego Exercise 2: Wypróbuj model generatywny Exercise 3: Wypróbuj rozkład dwumianowy Exercise 4: Korzystanie z modelu generatywnego Exercise 5: Ilu odwiedzających może zyskać twoja witryna (1)?Exercise 6: Reprezentowanie niepewności za pomocą rozkładów a priori Exercise 7: Dodawanie rozkładu a priori do modelu Exercise 8: Modele bayesowskie i warunkowanie Exercise 9: Aktualizacja modelu Bayesowskiego na podstawie danych Exercise 10: Ilu odwiedzających może mieć twoja strona (3)?Exercise 11: Co zrobiliśmy?

Ten rozdział przedstawia cztery powody, dla których bayesowska analiza danych jest przydatnym narzędziem w zestawie data science.

Exercise 1: Cztery zalety analizy bayesowskiej Exercise 2: Eksplorowanie rozkładu Beta jako rozkładu a priori Exercise 3: Wybierz rozkład a priori najlepiej oddający dostępne informacje Exercise 4: Zmień model tak, aby używał informatywnego prior Exercise 5: Porównania i zestawienia Exercise 6: Dopasuj model do innego zbioru danych Exercise 7: Obliczanie różnicy rozkładu a posteriori Exercise 8: Analiza decyzyjna Exercise 9: Mała analiza decyzyjna 1 Exercise 10: Mała analiza decyzyjna 2 Exercise 11: Zmieniaj co chcesz i jak chcesz

Bieżące ćwiczenie

Exercise 12: Rozkład Poissona Exercise 13: Kliknięcia dziennie zamiast kliknięć na reklamę Exercise 14: Bayes jest optymalny, no, prawie...

Dowiedz się, czym jest twierdzenie Bayesa i jak wykorzystać je do wnioskowania statystycznego.

Exercise 1: Reguły rachunku prawdopodobieństwa Exercise 2: Karty i reguła sumy Exercise 3: Karty i reguła iloczynu Exercise 4: Obliczanie prawdopodobieństw Exercise 5: Od rbinom do dbinom Exercise 6: Obliczanie prawdopodobieństw za pomocą dbinom Exercise 7: Obliczenia bayesowskie Exercise 8: Obliczanie rozkładu łącznego Exercise 9: Warunkowanie na danych (ponownie)Exercise 10: Przydatny skrót warunkowy Exercise 11: Twierdzenie Bayesa Exercise 12: Opis modelu Poissona

Poznaj zastosowanie rozkładu normalnego do analizy danych ciągłych i wypróbuj narzędzie do praktycznej analizy bayesowskiej w R.

Exercise 1: Temperatura w Normalnym jeziorze Exercise 2: rnorm, dnorm i masa urodzeniowa noworodków Exercise 3: Bayesowski model temperatury wody Exercise 4: Bayesowski model IQ zombie Exercise 5: Szacowanie średniego IQ zombie na oko?Exercise 6: Odpowiedź na pytanie: Czy powinienem zorganizować imprezę na plaży?Exercise 7: Próbkowanie z posterioru zombie Exercise 8: Ale jak inteligentny będzie następny zombie?Exercise 9: Praktyczne narzędzie: BEST Exercise 10: Modele BEST i zombie na diecie Exercise 11: BEST jest odporny na wartości odstające Exercise 12: Czego się nauczyłeś? Czego jeszcze nie omówiliśmy?