Dies ist der zweite von zwei Kursen zur Einführung in die Grundlagen der Bayes'schen Statistik. Sie baut auf dem Kurs Bayesianische Statistik auf: Vom Konzept zur Datenanalyse auf, in dem die Bayes'schen Methoden anhand von einfachen konjugierten Modellen vorgestellt werden. Daten aus der realen Welt erfordern oft komplexere Modelle, um zu realistischen Schlussfolgerungen zu gelangen. Dieser Kurs zielt darauf ab, unseren "Bayes'schen Werkzeugkasten" um allgemeinere Modelle und die dazugehörigen Berechnungsmethoden zu erweitern. Insbesondere werden wir Markov-Chain-Monte-Carlo-Methoden (MCMC) einführen, die es ermöglichen, Stichproben aus posterioren Verteilungen zu ziehen, für die es keine analytische Lösung gibt. Wir werden die frei verfügbare Open-Source-Software R (eine gewisse Erfahrung wird vorausgesetzt, z.B. durch den Abschluss des vorherigen Kurses in R) und JAGS (keine Erfahrung erforderlich) verwenden. Wir werden lernen, wie man Bayes'sche statistische Modelle konstruiert, anpasst, bewertet und vergleicht, um wissenschaftliche Fragen zu beantworten, die kontinuierliche, binäre und Zähldaten betreffen. Dieser Kurs kombiniert Vorlesungsvideos, Computerdemonstrationen, Lektüre, Übungen und Diskussionsforen, um eine aktive Lernerfahrung zu schaffen. Die Vorlesungen vermitteln einige der grundlegenden mathematischen Entwicklungen, Erklärungen zum statistischen Modellierungsprozess und einige grundlegende Modellierungstechniken, die von Statistikern häufig verwendet werden. Computerdemonstrationen bieten konkrete, praktische Anleitungen. Nach Abschluss dieses Kurses haben Sie Zugang zu einer breiten Palette von Bayes'schen Analysetools, die Sie an Ihre Daten anpassen können.