本课程是Python贝叶斯分析可能性事件评估理论与实践视频教程。它包括视频解释以及现实生活中的插图、示例、数值问题和笔记。本课程涵盖概率论和贝叶斯建模背后的基本理论,以及它们在数据科学、商业和应用科学中常见问题的应用。
课程分为以下几个部分:
第 2 节和第 3 节:这两节涵盖了对理解贝叶斯统计的基础知识至关重要的概念
- 贝叶斯概率简介
- PyMC3基础介绍
- Summarizing the posterior.
- ROPE简介。
- 高斯的介绍。
- 学生的 t 分布。
- 分层模型介绍。
- 线性模型和高自相关。
- 从多元高斯引入皮尔逊系数。
- 稳健的线性回归。
- 分层线性回归。
- 相关性、因果关系和生活的混乱。
- 多项式回归。
- 混淆变量和冗余变量简介。
- 掩蔽效应变量。
- 添加交互。
- 变量方差。
第 4 节:本节涵盖线性模型泛化:
- 泛化线性模型简介。
- 逻辑回归简介。
- 将逻辑回归应用于 Iris 数据集。
- 多元逻辑回归。
- 解释逻辑回归的系数。
- 处理相关变量。
- 处理不平衡的类。
- Softmax 回归简介。
- 判别模型和生成模型简介。
- 泊松回归简介。
- 零膨胀泊松模型简介。
第 5 节:本节介绍模型比较:
- 后验预测检查实施。
- 奥卡姆剃刀——简单而准确。
- 与 PyMC3 的模型比较。
- 贝叶斯因子简介。
- 贝叶斯因子实现。
- 计算贝叶斯因子和解时的常见问题。
- 正则化先验。
第 6 节:本节介绍混合模型
- 有限混合模型及其实现简介。
- 如何选择 K 值。
- 比较模型。
- 混合模型和聚类。
- 连续混合简介
在课程结束时,您将从头开始对贝叶斯概念有一个完整的理解。您将知道如何有效地使用贝叶斯方法并进行概率思考。注册本课程将使您更容易在考试中取得好成绩或在其他地方应用贝叶斯方法。
完成本课程,掌握原理,加入全球顶尖统计学学生队列。
本课程适用对象
本课程适合有兴趣学习使用贝叶斯规则对可能的事件结果进行建模的概念和实践方面的任何人。
该课程最适合目前使用定量或概率建模的学生和专业人士。
目前正在攻读统计和概率的学生。
任何想要建立强大的贝叶斯统计基础的人。
任何想将贝叶斯统计应用于其他领域的人,如机器学习、人工智能、商业、应用科学、心理学等机器学习和数据科学的学生。
对贝叶斯统计感到好奇的数据科学家。
MP4 | Video: h264, 1280×720 | Audio: AAC, 44.1 KHz, 2 Ch
Genre: eLearning | Language: English + srt | Duration: 88 lectures (12h 54m) | Size: 4.67 GB
Learn the concepts and practical side of using the Bayesian approach to estimate likely event outcomes.