Raquel Prado

от партнера

Калифорнийский университет в Санта-Крузе

Bayesian Statistics: Time Series Analysis

Калифорнийский университет в Санта-Крузе

Об этом курсе

Недавно просмотрено: 1 702

This course for practicing and aspiring data scientists and statisticians. It is the fourth of a four-course sequence introducing the fundamentals of Bayesian statistics. It builds on the course Bayesian Statistics: From Concept to Data Analysis, Techniques and Models, and Mixture models. 
Time series analysis is concerned with modeling the dependency among elements of a sequence of temporally related variables. To succeed in this course, you should be familiar with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference. You will learn how to build models that can describe temporal dependencies and how to perform Bayesian inference and forecasting for the models. You will apply what you've learned with the open-source, freely available software R with sample databases. Your instructor Raquel Prado will take you from basic concepts for modeling temporally dependent data to implementation of specific classes of models

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Средний уровень

Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.

Прибл. 22 часа на выполнение

Английский

Субтитры: Английский

Приобретаемые навыки

Bayesian Statistics
Forecasting
Dynamic Linear Modeling
Time Series
R Programming

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Средний уровень

Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.

Прибл. 22 часа на выполнение

Английский

Субтитры: Английский

Преподаватели

Raquel Prado

от партнера

Калифорнийский университет в Санта-Крузе

UC Santa Cruz is an outstanding public research university with a deep commitment to undergraduate education. It’s a place that connects people and programs in unexpected ways while providing unparalleled opportunities for students to learn through hands-on experience.

Программа курса: что вы изучите

Неделя

Неделя 1

6 ч. на завершение

Week 1: Introduction to time series and the AR(1) process

This module defines stationary time series processes, the autocorrelation function and the autoregressive process of order one or AR(1). Parameter estimation via maximum likelihood and Bayesian inference in the AR(1) are also discussed.

6 ч. на завершение

9 видео ((всего 94 мин.)), 12 материалов для самостоятельного изучения, 5 тестов

9 видео

Welcome to Bayesian Statistics: Time Series 7мин

Stationarity 6мин

The autocorrelation function (ACF) 8мин

ACF, PACF, Differencing and Smoothing: Examples 11мин

The AR(1) 15мин

Simulating from an AR(1) process 8мин

Maximum likelihood estimation in the AR(1)22мин

Bayesian inference in the AR(1)10мин

Bayesian inference in the AR(1): Conditional likelihood example 3мин

12 материалов для самостоятельного изучения

Introduction to R10мин

List of References 4мин

The partial autocorrelation function (PACF)15мин

Differencing and Smoothing 10мин

R Code: Differencing and filtering via moving averages10мин

R Code: Simulate data from a white noise process10мин

The PACF of the AR(1) process 15мин

R Code: Sample data from AR(1) processes10мин

Review of maximum likelihood and Bayesian inference in regression 15мин

R code: MLE for the AR(1), examples15мин

R Code: AR(1) Bayesian inference, conditional likelihood example 12мин

Bayesian inference in the AR(1), full likelihood example 10мин

4 практических упражнения

Objectives of the course 20мин

Stationarity, the ACF and the PACF 30мин

The AR(1) definitions and properties 30мин

MLE and Bayesian inference in the AR(1) 30мин

Неделя

Неделя 2

5 ч. на завершение

Week 2: The AR(p) process

This module extends the concepts learned in Week 1 about the AR(1) process to the general case of the AR(p). Maximum likelihood estimation and Bayesian posterior inference in the AR(p) are discussed.

5 ч. на завершение

9 видео ((всего 96 мин.)), 8 материалов для самостоятельного изучения, 3 тестов

9 видео

Definition and state-space representation20мин

Examples 17мин

ACF of the AR(p)7мин

Simulating data from an AR(p)11мин

Bayesian inference in the AR(p): Reference prior, conditional likelihood 8мин

Model order selection6мин

Example: Bayesian inference in the AR(p), conditional likelihood 12мин

Spectral representation of the AR(p)5мин

Spectral representation of the AR(p): Example 5мин

8 материалов для самостоятельного изучения

Rcode: Computing the roots of the AR polynomial 5мин

Rcode: Simulating data from an AR(p)15мин

The AR(p): Review 15мин

Rcode: Maximum likelihood estimation, AR(p), conditional likelihood 10мин

Rcode: Bayesian inference, AR(p), conditional likelihood 10мин

Rcode: Model order selection 10мин

Rcode: Spectral density of AR(p) 10мин

ARIMA processes10мин

2 практических упражнения

Properties of AR processes 30мин

Spectral representation of the AR(p)30мин

Неделя

Неделя 3

5 ч. на завершение

Week 3: Normal dynamic linear models, Part I

Normal Dynamic Linear Models (NDLMs) are defined and illustrated in this module using several examples. Model building based on the forecast function via the superposition principle is explained. Methods for Bayesian filtering, smoothing and forecasting for NDLMs in the case of known observational variances and known system covariance matrices are discussed and illustrated.

5 ч. на завершение

10 видео ((всего 114 мин.)), 7 материалов для самостоятельного изучения, 3 тестов

10 видео

NDLM: Definition 16мин

Polynomial trend models13мин

Regression models 8мин

The superposition principle 6мин

Filtering 19мин

Filtering in the NDLM: Example 14мин

Smoothing and forecasting 11мин

Smoothing in the NDLM: Example6мин

Second order polynomial: Filtering and smoothing example7мин

Using the dlm package in R 8мин

7 материалов для самостоятельного изучения

Summary of polynomial trend and regression models 10мин

Superposition principle: General case10мин

Summary of the filtering distributions10мин

Rcode. Filtering in the NDLM: Example 10мин

Summary of the smoothing and forecasting distributions10мин

Rcode: Smoothing in the NDLM, Example10мин

Rcode: Using the dlm package in R10мин

2 практических упражнения

The Normal Dynamic Linear Model30мин

NDLM, Part I: Review 30мин

Неделя

Неделя 4

4 ч. на завершение

Week 4: Normal dynamic linear models, Part II

4 ч. на завершение

7 видео ((всего 103 мин.)), 4 материалов для самостоятельного изучения, 3 тестов

7 видео

Fourier representation17мин

Building NDLMs with multiple components: Examples8мин

Filtering, Smoothing and Forecasting: Unknown observational variance10мин

Specifying the system covariance matrix via discount factors17мин

NDLM, Unknown Observational Variance: Example13мин

EEG data 17мин

Google trends17мин

4 материала для самостоятельного изучения

Fourier Representation: Example 110мин

Summary: DLM Fourier representation 12мин

Summary of Filtering, Smoothing and Forecasting Distributions, NDLM unknown observational variance 10мин

Rcode: NDLM, Unknown Observational Variance Example 10мин

2 практических упражнения

Seasonal Models and Superposition30мин

NDLM, Part II20мин

Часто задаваемые вопросы

Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оплатив сертификацию?
Оплатив сертификацию, вы получите доступ ко всем материалам курса, включая оцениваемые задания. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Можно ли получить финансовую помощь?
Да, Coursera предоставляет финансовую помощь учащимся, которые не могут оплатить обучение. Чтобы подать заявление, перейдите по ссылке 'Финансовая помощь' слева под кнопкой 'Зарегистрироваться' и заполните форму. Если его примут, вы получите уведомление. Подробнее

Остались вопросы? Посетите Центр поддержки учащихся.

Bayesian Statistics: Time Series Analysis

Bayesian Statistics: Time Series Analysis

Об этом курсе

Приобретаемые навыки

Преподаватели

Raquel Prado

от партнера

Калифорнийский университет в Санта-Крузе

Программа курса: что вы изучите

Неделя 1

Week 1: Introduction to time series and the AR(1) process

Неделя 2

Week 2: The AR(p) process

Неделя 3

Week 3: Normal dynamic linear models, Part I

Неделя 4

Week 4: Normal dynamic linear models, Part II

Неделя 5

Week 5: Final Project

Часто задаваемые вопросы

Начните карьеру или продвиньтесь по карьерной лестнице

Смотреть популярные темы

Популярные курсы и статьи

Получите диплом или сертификат онлайн

Coursera

Сообщество

Еще

Bayesian Statistics: Time Series Analysis

Bayesian Statistics: Time Series Analysis

Об этом курсе

Приобретаемые навыки

Преподаватели

Raquel Prado

от партнера

Калифорнийский университет в Санта-Крузе

Программа курса: что вы изучите

Неделя 1

Week 1: Introduction to time series and the AR(1) process

Неделя 2

Week 2: The AR(p) process

Неделя 3

Week 3: Normal dynamic linear models, Part I

Неделя 4

Week 4: Normal dynamic linear models, Part II

Неделя 5

Week 5: Final Project

Часто задаваемые вопросы

Coursera Footer

Начните карьеру или продвиньтесь по карьерной лестнице

Смотреть популярные темы

Популярные курсы и статьи

Получите диплом или сертификат онлайн

Coursera

Сообщество

Еще