Este curso faz parte do Programa de cursos integrados Estatística Bayesiana

Raquel Prado

2.125 já se inscreveram

oferecido por

Programa de cursos integrados Estatística BayesianaUniversidade da Califórnia, Santa Cruz

Informações sobre o curso

6.900 visualizações recentes

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

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Curso 4 de 5 no

Programa de cursos integrados Estatística Bayesiana

Nível intermediário

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

Aprox. 22 horas para completar

Inglês

Sua empresa se beneficiaria do treinamento dos funcionários em habilidades sob demanda?

Experimente o Coursera for Business

Habilidades que você terá

Bayesian Statistics
Forecasting
Dynamic Linear Modeling
Time Series
R Programming

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Curso 4 de 5 no

Programa de cursos integrados Estatística Bayesiana

Nível intermediário

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

Aprox. 22 horas para completar

Inglês

Sua empresa se beneficiaria do treinamento dos funcionários em habilidades sob demanda?

Experimente o Coursera for Business

Instrutores

Raquel Prado

oferecido por

Universidade da Califórnia, Santa Cruz

Veja como os funcionários das principais empresas estão se especializando em habilidades sob demanda

Saiba mais sobre o Coursera para Empresas

Programa - O que você aprenderá com este curso

Semana

Semana 1

6 horas para concluir

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

6 horas para concluir

9 vídeos (Total 94 mín.), 12 leituras, 5 testes

9 videos

Welcome to Bayesian Statistics: Time Series 7min

Stationarity 6min

The autocorrelation function (ACF) 8min

ACF, PACF, Differencing and Smoothing: Examples 11min

The AR(1) 15min

Simulating from an AR(1) process 8min

Maximum likelihood estimation in the AR(1)22min

Bayesian inference in the AR(1)10min

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

12 leituras

Introduction to R10min

List of References 4min

The partial autocorrelation function (PACF)15min

Differencing and Smoothing 10min

R Code: Differencing and filtering via moving averages10min

R Code: Simulate data from a white noise process10min

The PACF of the AR(1) process 15min

R Code: Sample data from AR(1) processes10min

Review of maximum likelihood and Bayesian inference in regression 15min

R code: MLE for the AR(1), examples15min

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

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

4 exercícios práticos

Objectives of the course 20min

Stationarity, the ACF and the PACF 30min

The AR(1) definitions and properties 30min

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

Semana

Semana 2

5 horas para concluir

Week 2: The AR(p) process

5 horas para concluir

9 vídeos (Total 96 mín.), 8 leituras, 3 testes

9 videos

Definition and state-space representation20min

Examples 17min

ACF of the AR(p)7min

Simulating data from an AR(p)11min

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

Model order selection6min

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

Spectral representation of the AR(p)5min

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

8 leituras

Rcode: Computing the roots of the AR polynomial 5min

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

The AR(p): Review 15min

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

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

Rcode: Model order selection 10min

Rcode: Spectral density of AR(p) 10min

ARIMA processes10min

2 exercícios práticos

Properties of AR processes 30min

Spectral representation of the AR(p)30min

Semana

Semana 3

5 horas para concluir

Week 3: Normal dynamic linear models, Part I

5 horas para concluir

10 vídeos (Total 114 mín.), 7 leituras, 3 testes

10 videos

NDLM: Definition 16min

Polynomial trend models13min

Regression models 8min

The superposition principle 6min

Filtering 19min

Filtering in the NDLM: Example 14min

Smoothing and forecasting 11min

Smoothing in the NDLM: Example6min

Second order polynomial: Filtering and smoothing example7min

Using the dlm package in R 8min

7 leituras

Summary of polynomial trend and regression models 10min

Superposition principle: General case10min

Summary of the filtering distributions10min

Rcode. Filtering in the NDLM: Example 10min

Summary of the smoothing and forecasting distributions10min

Rcode: Smoothing in the NDLM, Example10min

Rcode: Using the dlm package in R10min

2 exercícios práticos

The Normal Dynamic Linear Model30min

NDLM, Part I: Review 30min

Semana

Semana 4

4 horas para concluir

Week 4: Normal dynamic linear models, Part II

4 horas para concluir

7 vídeos (Total 103 mín.), 4 leituras, 3 testes

7 videos

Fourier representation17min

Building NDLMs with multiple components: Examples8min

Filtering, Smoothing and Forecasting: Unknown observational variance10min

Specifying the system covariance matrix via discount factors17min

NDLM, Unknown Observational Variance: Example13min

EEG data 17min

Google trends17min

4 leituras

Fourier Representation: Example 110min

Summary: DLM Fourier representation 12min

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

Rcode: NDLM, Unknown Observational Variance Example 10min

2 exercícios práticos

Seasonal Models and Superposition30min

NDLM, Part II20min

Sobre Programa de cursos integrados Estatística Bayesiana

This Specialization is intended for all learners seeking to develop proficiency in statistics, Bayesian statistics, Bayesian inference, R programming, and much more. Through four complete courses (From Concept to Data Analysis; Techniques and Models; Mixture Models; Time Series Analysis) and a culminating project, you will cover Bayesian methods — such as conjugate models, MCMC, mixture models, and dynamic linear modeling — which will provide you with the skills necessary to perform analysis, engage in forecasting, and create statistical models using real-world data.

Perguntas Frequentes – FAQ

Quando terei acesso às palestras e às tarefas?
O acesso a palestras e tarefas depende do tipo de inscrição. Se você participar de um curso como ouvinte, você poderá ver quase todo o conteúdo do curso gratuitamente. Para acessar tarefas valendo nota e obter um Certificado, você precisará adquirir a experiência do Certificado, durante ou após a participação como ouvinte. Se você não vir a opção de participar como ouvinte:
o curso pode não oferecer essa opção. Você pode experimentar um teste gratuito ou solicitar o auxílio financeiro.
Em vez disso, o curso pode oferecer 'Curso completo, sem Certificado'. Com esta opção, é possível ver todo o conteúdo do curso, enviar as avaliações necessárias e obter uma nota final. Isso também significa que você não poderá comprar uma experiência de Certificado.
O que recebo ao me inscrever nesta Especialização?
Quando você se inscreve no curso, tem acesso a todos os cursos na Especialização e pode obter um certificado quando concluir o trabalho. Seu Certificado eletrônico será adicionado à sua página de Conquistas e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn. Se quiser apenas ler e assistir o conteúdo do curso, você poderá participar como ouvinte sem custo.
Existe algum auxílio financeiro disponível?
Sim. Em programas de aprendizado selecionados, você pode solicitar auxílio financeiro ou uma bolsa de estudos caso não consiga pagar a taxa de inscrição. Se o auxílio financeiro ou bolsa de estudos estiver disponível para a seleção do seu programa de aprendizado, você encontrará um link para se inscrever na página de descrição.

Mais dúvidas? Visite o Central de Ajuda ao estudante.

Desenvolva as habilidades dos funcionários e impulsione os resultados

Conheça o Coursera para Empresas

Bayesian Statistics: Time Series Analysis

Informações sobre o curso

Habilidades que você terá