Bắt đầu ngayBắt đầu miễn phí

Trang chủ
Khóa học
Những nền tảng của Phân tích dữ liệu Bayesian trong R

Bốn điều hay ho với Bayes

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.

Bài tập này là một phần của khóa học

Những nền tảng của Phân tích dữ liệu Bayesian trong R

SkillTag.level.intermediateSkillTag.label

4.9+

Bắt đầu khóa học miễn phí

Chương này sẽ giới thiệu bạn với phân tích dữ liệu Bayesian và giúp bạn hình dung cách nó hoạt động.

Exercise 1: Làm quen với Bayes Exercise 2: Điều chưa biết và kem que Exercise 3: Hãy thử phân tích dữ liệu theo Bayes Exercise 4: Tung đồng xu với prop_model Exercise 5: Thuốc trị zombie với prop_model Exercise 6: Mẫu và tóm tắt hậu nghiệm Exercise 7: Xem các mẫu từ prop_model Exercise 8: Tóm tắt thí nghiệm thuốc trị zombie Exercise 9: Bạn vừa thực hiện phân tích dữ liệu theo Bayesian!

Trong chương này, chúng ta sẽ xem xét chi tiết các nền tảng của suy luận Bayesian.

Exercise 1: Các thành phần cần có cho suy luận Bayes Exercise 2: Dùng thử một mô hình sinh (generative)Exercise 3: Thử vận dụng phân phối nhị thức Exercise 4: Sử dụng mô hình sinh Exercise 5: Trang của bạn có thể nhận được bao nhiêu khách truy cập (1)?Exercise 6: Biểu diễn mức độ bất định bằng prior Exercise 7: Thêm một prior vào mô hình Exercise 8: Mô hình Bayesian và điều kiện hóa Exercise 9: Cập nhật mô hình Bayesian với dữ liệu Exercise 10: Trang của bạn có thể nhận được bao nhiêu khách (3)?Exercise 11: Chúng ta đã làm gì?

Chương này sẽ chỉ ra bốn lý do vì sao phân tích dữ liệu Bayesian là một công cụ hữu ích trong bộ công cụ khoa học dữ liệu của bạn.

Exercise 1: Bốn điều hay ho với Bayes

Bài tập hiện tại

Exercise 2: Khám phá việc dùng phân phối Beta làm prior Exercise 3: Chọn prior thể hiện tốt nhất thông tin đã có Exercise 4: Thay đổi mô hình để dùng một prior giàu thông tin Exercise 5: Đối chiếu và so sánh Exercise 6: Khớp mô hình với một bộ dữ liệu khác Exercise 7: Tính toán hiệu hậu nghiệm Exercise 8: Phân tích quyết định Exercise 9: Một phân tích quyết định nhỏ 1 Exercise 10: Một phân tích quyết định nhỏ 2 Exercise 11: Thay đổi mọi thứ bạn muốn Exercise 12: Phân phối Poisson Exercise 13: Số lần nhấp mỗi ngày thay vì mỗi quảng cáo Exercise 14: Bayes là tối ưu, kiểu như vậy...

Tìm hiểu tất cả về định lý Bayes và cách dùng nó cho suy luận thống kê.

Exercise 1: Các quy tắc xác suất Exercise 2: Bài lá và quy tắc tổng Exercise 3: Bài lá và quy tắc nhân Exercise 4: Tính toán likelihood Exercise 5: Từ rbinom sang dbinom Exercise 6: Tính xác suất với dbinom Exercise 7: Tính toán theo Bayes Exercise 8: Tính phân phối đồng thời Exercise 9: Điều kiện hóa trên dữ liệu (lại lần nữa)Exercise 10: Một lối tắt có điều kiện Exercise 11: Định lý Bayes Exercise 12: Mô tả một mô hình Poisson

Tìm hiểu cách dùng phân phối Chuẩn để phân tích dữ liệu liên tục và thử một công cụ dành cho phân tích Bayesian thực hành trong R.

Exercise 1: Nhiệt độ trong một hồ có phân phối Normal Exercise 2: rnorm, dnorm và cân nặng sơ sinh Exercise 3: Một mô hình Bayes về nhiệt độ nước Exercise 4: Mô hình Bayes về IQ của Zombie Exercise 5: Ước chừng bằng mắt chỉ số IQ trung bình của zombie?Exercise 6: Trả lời câu hỏi: Có nên tổ chức tiệc bãi biển không?Exercise 7: Lấy mẫu từ hậu nghiệm về zombie Exercise 8: Nhưng con zombie tiếp theo sẽ thông minh đến mức nào?Exercise 9: Một công cụ thực tiễn: BEST Exercise 10: Mô hình BEST và xác sống ăn kiêng Exercise 11: BEST có tính bền vững (robust)Exercise 12: Bạn đã học được gì? Chúng ta còn thiếu điều gì?