Об этом курсе
Недавно просмотрено: 31,965

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 36 часа на выполнение

Предполагаемая нагрузка: 5 weeks of study, 4-6 hours/week....

Английский

Субтитры: Английский

Приобретаемые навыки

Gibbs SamplingBayesian StatisticsBayesian InferenceR Programming

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 36 часа на выполнение

Предполагаемая нагрузка: 5 weeks of study, 4-6 hours/week....

Английский

Субтитры: Английский

Программа курса: что вы изучите

Неделя
1
4 ч. на завершение

Statistical modeling and Monte Carlo estimation

Statistical modeling, Bayesian modeling, Monte Carlo estimation

...
11 видео ((всего 99 мин.)), 4 материалов для самостоятельного изучения, 4 тестов
11 видео
Objectives7мин
Modeling process8мин
Components of Bayesian models8мин
Model specification7мин
Posterior derivation9мин
Non-conjugate models7мин
Monte Carlo integration9мин
Monte Carlo error and marginalization6мин
Computing examples15мин
Computing Monte Carlo error13мин
4 материала для самостоятельного изучения
Module 1 assignments and materials3мин
Reference: Common probability distributions
Code for Lesson 3
Markov chains20мин
4 практического упражнения
Lesson 120мин
Lesson 225мин
Lesson 330мин
Markov chains20мин
Неделя
2
5 ч. на завершение

Markov chain Monte Carlo (MCMC)

Metropolis-Hastings, Gibbs sampling, assessing convergence

...
11 видео ((всего 129 мин.)), 7 материалов для самостоятельного изучения, 4 тестов
11 видео
Algorithm9мин
Demonstration10мин
Random walk example, Part 112мин
Random walk example, Part 216мин
Download, install, setup3мин
Model writing, running, and post-processing12мин
Multiple parameter sampling and full conditional distributions8мин
Conditionally conjugate prior example with Normal likelihood10мин
Computing example with Normal likelihood16мин
Trace plots, autocorrelation17мин
Multiple chains, burn-in, Gelman-Rubin diagnostic8мин
7 материала для самостоятельного изучения
Module 2 assignments and materials3мин
Code for Lesson 4
Alternative MCMC software10мин
Code from JAGS introduction
Code for Lesson 510мин
Autocorrelation10мин
Code for Lesson 6
4 практического упражнения
Lesson 420мин
Lesson 530мин
Lesson 620мин
MCMC45мин
Неделя
3
6 ч. на завершение

Common statistical models

Linear regression, ANOVA, logistic regression, multiple factor ANOVA

...
11 видео ((всего 131 мин.)), 5 материалов для самостоятельного изучения, 5 тестов
11 видео
Setup in R9мин
JAGS model (linear regression)12мин
Model checking17мин
Alternative models10мин
Deviance information criterion (DIC)4мин
Introduction to ANOVA10мин
One way model using JAGS18мин
Introduction to logistic regression6мин
JAGS model (logistic regression)18мин
Prediction15мин
5 материала для самостоятельного изучения
Module 3 assignments and materials3мин
Code for Lesson 7
Code for Lesson 8
Code for Lesson 9
Multiple factor ANOVA20мин
5 практического упражнения
Lesson 7 Part A30мин
Lesson 7 Part B30мин
Lesson 830мин
Lesson 945мин
Common models and multiple factor ANOVA30мин
Неделя
4
5 ч. на завершение

Count data and hierarchical modeling

Poisson regression, hierarchical modeling

...
10 видео ((всего 106 мин.)), 7 материалов для самостоятельного изучения, 4 тестов
10 видео
JAGS model (Poisson regression)17мин
Predictive distributions11мин
Correlated data8мин
Prior predictive simulation10мин
JAGS model and model checking (hierarchical modeling)13мин
Posterior predictive simulation8мин
Linear regression example7мин
Linear regression example in JAGS10мин
Mixture model in JAGS13мин
7 материала для самостоятельного изучения
Module 4 assignments and materials3мин
Prior sensitivity analysis20мин
Code for Lesson 10
Normal hierarchical model20мин
Applications of hierarchical modeling10мин
Code and data for Lesson 11
Mixture model introduction, data, and code20мин
4 практического упражнения
Lesson 1040мин
Lesson 11 Part A40мин
Lesson 11 Part B30мин
Predictive distributions and mixture models30мин
Неделя
5
10 ч. на завершение

Capstone project

Peer-reviewed data analysis project

...
1 видео ((всего 2 мин.)), 1 материал для самостоятельного изучения, 1 тест
1 видео
1 материал для самостоятельного изучения
Further reading and acknowledgements5мин
4.8
Рецензии: 54Chevron Right

33%

начал новую карьеру, пройдя эти курсы

30%

получил значимые преимущества в карьере благодаря этому курсу

Лучшие отзывы о курсе Bayesian Statistics: Techniques and Models

автор: JHNov 1st 2017

This course is excellent! The material is very very interesting, the videos are of high quality and the quizzes and project really helps you getting it together. I really enjoyed it!!!

автор: BJul 8th 2018

This is a great course for an introduction to Bayesian Statistics class. Prior knowledge of the use of R can be very helpful. Thanks for such a wonderful course!!!

Преподаватели

Avatar

Matthew Heiner

Doctoral Student
Statistics

О 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....

Часто задаваемые вопросы

  • Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.

  • 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.

Остались вопросы? Посетите Центр поддержки учащихся.