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.
oferecido por
Programa de cursos integrados EstatÃstica BayesianaUniversidade da Califórnia, Santa CruzInformações sobre o curso
8.928 visualizações recentes
Prazos flexÃveis
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
NÃvel intermediário
Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.
Aprox. 22 horas para completar
Inglês
Legendas: Inglês
Habilidades que você terá
- Bayesian Statistics
- Forecasting
- Dynamic Linear Modeling
- Time Series
- R Programming
Prazos flexÃveis
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
NÃvel intermediário
Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.
Aprox. 22 horas para completar
Inglês
Legendas: Inglês
oferecido por
Universidade da Califórnia, Santa Cruz
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.
Programa - O que você aprenderá com este curso
6 horas para concluir
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 horas para concluir
9 vÃdeos (Total 94 mÃn.), 12 leituras, 5 testes
5 horas para concluir
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 horas para concluir
9 vÃdeos (Total 96 mÃn.), 8 leituras, 3 testes
5 horas para concluir
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 horas para concluir
10 vÃdeos (Total 114 mÃn.), 7 leituras, 3 testes
4 horas para concluir
Week 4: Normal dynamic linear models, Part II
4 horas para concluir
7 vÃdeos (Total 103 mÃn.), 4 leituras, 3 testes
Sobre Programa de cursos integrados EstatÃstica 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 que recebo ao me inscrever nesta Especialização?
Existe algum auxÃlio financeiro disponÃvel?
Mais dúvidas? Visite o Central de Ajuda ao estudante.
