课程介绍:
本课程是2021版Python贝叶斯分析方法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、商业和应用科学中的常见问题中的应用。
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.
课程分为以下几个部分:
第2节和第3节:这两节介绍了对理解贝叶斯统计基础至关重要的概念-
- 贝叶斯概率概论
- PyMC3底漆简介
- 总结后路。
- 绳索简介。
- 高斯函数简介。
- 学生t分布。
- 层次模型介绍。
- 线性模型和高自相关。
- 从多元高斯函数引入皮尔逊系数。
- 稳健线性回归。
- 层次线性回归。
- 相关性,因果关系和生活的混乱。
- 多项式回归。
- 混杂变量和冗余变量简介。
- 掩蔽效应变量。
- 添加交互。
- 可变方差。
第4节:本节介绍线性模型综合:
- 线性模型概论。
- 逻辑回归简介。
- 将logistic回归应用于Iris数据集。
- 多因素logistic回归分析。
- 解释逻辑回归的系数。
- 处理相关变量。
- 处理不平衡的阶级。
- Softmax回归简介。
- 区分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。
- 奥卡姆剃须刀-简单和准确。
- 与PyMC3的模型比较。
- 贝叶斯因子简介。
- 贝叶斯因子实现。
- 计算贝叶斯因子时的常见问题及解决方法。
- 规范先验知识。
第6节:本节介绍混合物模型
- 有限混合模型及其实现。
- 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的队列。
课程对象
- 本课程非常适合任何对学习使用贝叶斯规则对可能的事件结果建模的概念和实践方面感兴趣的人。
- 本课程最适合目前使用定量或概率建模的学生和专业人士。
- 学生目前正在学习统计学和概率论。
- 任何想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,比如ML、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。
- 数据科学家对贝叶斯统计很好奇。
What you’ll learn:
PyMC3.
posterior
ROPE
Loss functions
Gaussian
Gaussian inferences
Student’s t-distribution
Groups comparison
Hierarchical models
Shrinkage
Linear models and high autocorrelation
Pearson correlation coefficient
Pearson coefficient from a multivariate Gaussian
Robust linear regression
Hierarchical linear regression
Correlation, causation, and the messiness of life
Polynomial regression
Confounding variables and redundant variables
Masking effect variables
Variable variance
Adding interactions
Logistic regression
Multiple logistic regression
Dealing with correlated variables
Dealing with unbalanced classes
Softmax regression
Discriminative and generative models
the zero-inflated Poisson model
Posterior predictive checks
Occam’s razor – simplicity and accuracy
Model averaging
Bayes factors
Non-identifiability of mixture models
How to choose K values