Statistik Bayesian dan Pemodelan MCMC

Apabila data dunia nyata menjadi terlalu kompleks untuk penyelesaian analitikal yang mudah, statistik Bayesian bergantung pada algoritma pengiraan yang berkuasa untuk mencari jawapan. Memahami cara membina dan menyesuaikan model canggih ini adalah penting untuk analisis data dan pembuatan keputusan moden. Kursus berasaskan teks ini membimbing anda daripada konsep kebarangkalian asas kepada pemodelan pengiraan lanjutan. Anda akan belajar cara beralih daripada model konjugat mudah kepada pendekatan berasaskan simulasi yang fleksibel, memberikan anda kemahiran untuk menyelesaikan masalah statistik yang kompleks menggunakan teknik Markov chain Monte Carlo (MCMC). Apa yang anda akan pelajari: - Memahami prinsip asas inferens Bayesian, taburan prior, dan anggaran posterior. - Mengkonfigurasi dan melaksanakan algoritma Markov chain Monte Carlo (MCMC), termasuk Metropolis-Hastings dan Gibbs sampling. - Membina model linear hierarki dan teritlak untuk menganalisis set data dunia nyata yang berstruktur. - Menilai penumpuan dan prestasi model menggunakan alat diagnostik moden dan plot surih. - Mengaplikasikan konsep pengaturcaraan probabilistik moden untuk menulis kod statistik yang bersih dan boleh dihasilkan semula. Kursus ini bermula dengan terminologi penting dan asas matematik inferens Bayesian sebelum beralih langkah demi langkah kepada teknik simulasi. Anda akan membaca penjelasan yang jelas, mengkaji coretan kod ilustratif, dan menyelesaikan senario praktikal untuk membina kit alat statistik yang mantap. Kursus ini direka untuk pemula yang ingin mengembangkan keupayaan statistik mereka; tiada pengalaman terdahulu dengan MCMC atau pemodelan Bayesian lanjutan diperlukan. Mula meneroka kuasa analisis Bayesian berasaskan simulasi hari ini.