Ce cours décrit les statistiques bayésiennes, dans lesquelles les déductions sur les paramètres ou les hypothèses sont mises à jour au fur et à mesure que les preuves s'accumulent. Vous apprendrez à utiliser la règle de Bayes pour transformer les probabilités a priori en probabilités a posteriori, et vous serez initié à la théorie sous-jacente et à la perspective du paradigme bayésien. Le cours appliquera les méthodes bayésiennes à plusieurs problèmes pratiques, afin de montrer les analyses bayésiennes de bout en bout qui vont de la formulation de la question à la construction de modèles, à l'obtention de probabilités a priori et à l'implémentation dans R (logiciel statistique gratuit) de la distribution a posteriori finale. En outre, le cours présentera les régions crédibles, les comparaisons bayésiennes de moyennes et de proportions, la régression bayésienne et l'inférence à l'aide de modèles multiples, ainsi qu'une discussion sur la prédiction bayésienne. Nous supposons que les apprenants de ce cours ont des connaissances de base équivalentes à celles qui sont couvertes dans les trois cours précédents de cette spécialisation : "Introduction aux probabilités et aux données, Statistiques inférentielles et Régression linéaire et modélisation

Statistiques bayésiennes
Labor Day starts with $70+ in savings on Coursera Plus. Save 40% for 3 months.

Statistiques bayésiennes


Instructeurs : Mine Çetinkaya-Rundel
77 084 déjà inscrits
Inclus avec En savoir plus
Demander à Coursera
801 avis
Compétences que vous acquerrez
- Catégorie : Statistiques bayésiennes
- Catégorie : Modélisation statistique
- Catégorie : Programmation statistique
- Catégorie : Méthodes statistiques
- Catégorie : Analyse des données
- Catégorie : Inférence statistique
- Catégorie : Probabilité
- Catégorie : Analyse statistique
- Catégorie : Tests d'hypothèses statistiques
- Catégorie : Probabilités et statistiques
- Catégorie : Analyse
- Catégorie : Prise de décision fondée sur des données
- Catégorie : Distribution de probabilité
- Catégorie : Modélisation prédictive
- Catégorie : Analyse de régression
- Catégorie : Évaluation du modèle
Outils que vous découvrirez
- Catégorie : Logiciel statistique
- Catégorie : R Programmation
Détails à connaître

Ajouter à votre profil LinkedIn
12 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable

Il y a 7 modules dans ce cours
Obtenez un certificat professionnel
Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.
Instructeurs


Offert par
En savoir plus sur Analyse des données
Statut : Essai gratuitUniversity of California, Santa Cruz
Statut : Essai gratuitUniversity of California, Santa Cruz
Statut : Essai gratuitUniversity of Pittsburgh
Statut : Essai gratuitArizona State University
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Jennifer J.

Larry W.

Chaitanya A.
Avis des étudiants
- 5 stars
45,19 %
- 4 stars
20,47 %
- 3 stars
14,60 %
- 2 stars
9,23 %
- 1 star
10,48 %
Affichage de 3 sur 801
Révisé le 2 janv. 2017
Theis course is substantially more difficult than the three first ones, and the material is scarce. However, I must admit that this is one of the courses I have ever learnt the most
Révisé le 9 avr. 2018
I like this course a lot. Explanations are clear and much of the (unnecessarily heavyweight) maths is glossed over. I particularly liked the sections on Bayesian model selection.
Révisé le 25 oct. 2016
Great course with clear instruction and a final peer-review project with clear expectations and explanations.
Foire Aux Questions
Plus de questions
Aide financière disponible,




