Det här kapitlet introducerar dig till bayesiansk dataanalys och ger dig en känsla för hur det fungerar.

En första smak av Bayes

Okända faktorer och glassar

Låt oss prova bayesiansk dataanalys

Myntkast med prop_model

Zombiedroger med prop_model

Stickprov och posteriorsammanfattningar

Titta på sampel från prop_model

Sammanfattning av zombieläkemedelsexperimentet

Du har gjort din första bayesianska dataanalys!

Vad är bayesiansk dataanalys?

I det här kapitlet går vi igenom grunderna för bayesiansk inferens på djupet.

De delar som krävs för bayesiansk inferens

Testa en generativ modell

Prova binomialfördelningen

Använda en generativ modell

Hur många besökare kan din webbplats få (1)?

Att representera osäkerhet med priorer

Lägga till ett prior i modellen

Bayesiska modeller och konditionering

Uppdatera en bayesiansk modell med data

Hur många besökare kan din webbplats få (3)?

Vad har vi gjort?

Hur fungerar bayesiansk inferens?

Det här kapitlet visar dig fyra skäl till varför bayesiansk dataanalys är ett användbart verktyg i din verktygslåda för datavetenskap.

Fyra fördelar med Bayes

Utforska Betafördelningen som prior

Välj den prior som bäst fångar informationen

Ändra modellen till att använda en informativ prior

Kontraster och jämförelser

Anpassa modellen till ett annat dataset

Beräkna den posteriora skillnaden

Beslutsanalys

En liten beslutsanalys 1

En liten beslutsanalys 2

Ändra vad som helst och allt möjligt

Poissonfördelningen

Klick per dag istället för klick per annons

Bayes är optimal, på sitt sätt...

Varför använda bayesiansk dataanalys?

Lär dig vad Bayes sats innebär och hur du använder den för statistisk inferens.

Sannolikhetsregler

Kort och additionsregeln

Kort och produktregeln

Beräkna sannolikheter

Från rbinom till dbinom

Beräkna sannolikheter med dbinom

Bayesiansk beräkning

Beräkna en gemensam fördelning

Konditionering på data (igen)

En villkorlig genväg

Bayes sats

En Poisson-modellbeskrivning

Bayesiansk inferens med Bayes sats

Lär dig hur normalfördelningen används för att analysera kontinuerliga data och prova ett praktiskt verktyg för bayesiansk analys i R.

Temperaturen i en normalfördelad sjö

rnorm, dnorm och nyfödda barns vikt

En bayesiansk modell för vattentemperatur

En bayesiansk modell av zombie-IQ

Uppskatta zombiernas medel-IQ med blotta ögat?

Att besvara frågan: Ska jag arrangera en strandfest?

Sampling från zombie-posteriorn

Men hur smart kommer nästa zombie att vara?

Ett praktiskt verktyg: BEST

BEST-modeller och zombies på diet

BEST är robust

Vad har du lärt dig? Vad missade vi?

Fler parametrar, mer data och mer Bayes

Bayesiansk dataanalys är ett angreppssätt för statistisk modellering och maskininlärning som blir allt mer populärt. Det erbjuder ett enhetligt ramverk för att bygga problemspecifika modeller som kan användas för både statistisk inferens och prediktion. Den här kursen introducerar dig till bayesiansk dataanalys: vad det är, hur det fungerar och varför det är ett användbart verktyg i din verktygslåda för datavetenskap.

Introduction to R

Lär dig vad Bayesiansk dataanalys är och hur den används för affärsmodellering med fokus på kassaflöden.

Grunderna i bayesiansk dataanalys i R

Lär dig vad bayesiansk dataanalys är, hur den fungerar och varför det är ett användbart verktyg i din data science-verktygslåda.

Maskininlärningsforskare i R

Statistiker i R

Data Scientist

Vad bayesiansk inferens behöver

Resultat av prop_model

Bayes behöver detta 0

Bayes behöver detta 1

Bayes behöver detta 2

Bayes behöver detta 3

Vad är en generativ modell?

Generativ zombieläkemedelsmodell

Nu kör vi en övning!

Hur fungerar bayesiansk inferens? - De delar som krävs för bayesiansk inferens

De delar som krävs för bayesiansk inferens

Create Your Free Account