Thống kê Bayes và Mô hình MCMC

Khi dữ liệu thế giới thực trở nên quá phức tạp cho các giải pháp phân tích đơn giản, thống kê Bayes dựa trên các thuật toán tính toán mạnh mẽ để tìm câu trả lời. Chương trình học dựa trên văn bản này hướng dẫn bạn từ các khái niệm cơ bản về xác suất tới mô hình tính toán tiên tiến. Bạn sẽ học cách chuyển từ mô hình cộng đơn giản sang các cách tiếp cận linh hoạt, dựa vào mô phỏng, cho bạn kĩ năng để giải quyết các vấn đề thống kê phức tạp bằng cách sử dụng các kỹ thuật Markov chain Monte Carlo (MCMC). Bạn sẽ học được: - Hiểu các nguyên tắc cơ bản của suy luận Bayes, phân phối trước và ước tính sau. - Cấu hình và thực hiện thuật toán Markov chain Monte Carlo (MCMC), bao gồm Metropolis-Hastings và lấy mẫu Gibbs. - Xây dựng mô hình tuyến tính phân cấp và tổng quát để phân tích các tập dữ liệu có cấu trúc, thực tế. - Đánh giá sự hội tụ và hiệu suất mô hình bằng cách sử dụng công cụ chẩn đoán hiện đại và đồ thị dấu vết. - Apply hiện đại xác suất lập trình concepts to write clean, reproducible statistical code. Chương trình bắt đầu với thuật ngữ cơ bản và nền tảng toán học của suy luận Bayes trước khi tiến hành từng bước vào các kỹ thuật mô phỏng. Bạn sẽ đọc các lời giải thích rõ ràng, nghiên cứu các đoạn mã minh họa, và làm việc qua các trường hợp thực tế để xây dựng một bộ công cụ thống kê mạnh. Lớp học này được thiết kế cho người mới bắt đầu tìm kiếm để mở rộng khả năng thống kê của họ; không cần kinh nghiệm trước đó với MCMC hoặc mô hình Bayesian tiên tiến. Bắt đầu khám phá sức mạnh của phân tích Bayes dựa trên mô phỏng ngay hôm nay.