این دوره آمار بیزی را توصیف می کند که در آن استنباط فرد در مورد پارامترها یا فرضیه ها به عنوان شواهد جمع آوری می شود. شما یاد خواهید گرفت که از قانون بیز برای تبدیل احتمالات قبلی به احتمالات بعدی استفاده کنید و با نظریه و چشم انداز اساسی پارادایم بیزی آشنا شوید. این دوره روش‌های بیزی را برای چندین مسئله عملی به کار می‌گیرد تا تحلیل‌های بیزی سرتاسری را نشان دهد که از چارچوب‌بندی سؤال به ساخت مدل‌ها تا استخراج احتمالات قبلی به پیاده‌سازی در R (نرم‌افزار آماری رایگان) توزیع آخری نهایی حرکت می‌کند. علاوه بر این، این دوره به معرفی مناطق معتبر، مقایسه بیزی از میانگین ها و نسبت ها، رگرسیون بیزی و استنتاج با استفاده از مدل های متعدد و بحث در مورد پیش بینی بیزی می پردازد. ما فرض می‌کنیم که فراگیران در این دوره، دانش پیش‌زمینه‌ای معادل آنچه در سه دوره قبلی در این تخصص ارائه شده است، دارند: «مقدمه‌ای بر احتمالات و داده‌ها»، «آمار استنباطی» و «رگرسیون خطی و مدل‌سازی».

این دوره رویکرد بیزی به آمار را معرفی می کند که با مفهوم احتمال شروع می شود و به تجزیه و تحلیل داده ها می رود. ما در مورد فلسفه رویکرد بیزی و همچنین نحوه پیاده سازی آن برای انواع رایج داده ها خواهیم آموخت. ما رویکرد بیزی را با رویکرد متداول‌تر آموزش داده شده مقایسه می‌کنیم و برخی از مزایای رویکرد بیزی را مشاهده می‌کنیم. به طور خاص، رویکرد بیزی امکان حسابداری بهتر عدم قطعیت، نتایجی که معنای شهودی و قابل تفسیر بیشتری دارند، و اظهارات صریح تری از مفروضات را فراهم می کند. این دوره فیلم های سخنرانی، نمایش های کامپیوتری، خواندن، تمرین ها و تابلوهای بحث را برای ایجاد یک تجربه یادگیری فعال ترکیب می کند. برای محاسبات، می‌توانید از مایکروسافت اکسل یا بسته آماری منبع باز و آزادانه R، با محتوای معادل برای هر دو گزینه استفاده کنید. این سخنرانی ها برخی از پیشرفت های اساسی ریاضی و همچنین توضیحاتی در مورد فلسفه و تفسیر را ارائه می دهد. تکمیل این دوره به شما درکی از مفاهیم رویکرد بیزی، درک تفاوت‌های کلیدی بین رویکردهای بیزی و مکرر، و توانایی انجام تجزیه و تحلیل داده‌های پایه را می‌دهد.

این دومین مورد از یک دنباله دو دوره ای است که مبانی آمار بیزی را معرفی می کند. این بر اساس دوره آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها است که روش های بیزی را با استفاده از مدل های مزدوج ساده معرفی می کند. داده‌های دنیای واقعی اغلب به مدل‌های پیچیده‌تری برای رسیدن به نتایج واقعی نیاز دارند. این دوره با هدف گسترش "جعبه ابزار بیزی" ما با مدل های عمومی تر و تکنیک های محاسباتی متناسب با آنها است. به طور خاص، ما روش‌های مونت کارلوی زنجیره مارکوف (MCMC) را معرفی می‌کنیم که امکان نمونه‌گیری از توزیع‌های پسینی را که هیچ راه‌حل تحلیلی ندارند، می‌سازد. ما از نرم افزار منبع باز و رایگان در دسترس R (برخی تجربه فرض می شود، به عنوان مثال، تکمیل دوره قبلی در R) و JAGS (بدون نیاز به تجربه) استفاده خواهیم کرد. ما یاد خواهیم گرفت که چگونه مدل های آماری بیزی را بسازیم، برازش کنیم، ارزیابی کنیم و مقایسه کنیم تا به سوالات علمی شامل داده های پیوسته، باینری و شمارش پاسخ دهیم. این دوره فیلم های سخنرانی، نمایش های کامپیوتری، خواندن، تمرین ها و تابلوهای بحث را برای ایجاد یک تجربه یادگیری فعال ترکیب می کند. این سخنرانی‌ها برخی از پیشرفت‌های ریاضی پایه، توضیحاتی در مورد فرآیند مدل‌سازی آماری، و چند تکنیک مدل‌سازی اساسی که معمولاً توسط آماردانان استفاده می‌شود، ارائه می‌دهد. نمایش‌های رایانه‌ای راه‌حل‌های دقیق و عملی را ارائه می‌دهند. تکمیل این دوره به شما امکان می دهد تا به طیف گسترده ای از ابزارهای تحلیلی بیزی دسترسی داشته باشید که بر اساس داده های شما قابل تنظیم هستند.

هدف از این دوره معرفی PyMC3 برای مدل سازی و استنتاج بیزی است، شرکت کنندگان با یادگیری اصول اولیه PyMC3 شروع می کنند و یاد می گیرند که چگونه استنتاج مقیاس پذیر را برای مسائل مختلف انجام دهند. این دوره نهایی در یک تخصص از سه دوره خواهد بود. از نوت بوک های پایتون و ژوپیتر در طول این دوره برای نشان دادن و انجام مدل سازی بیزی با PyMC3 استفاده می شود. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics قرار دارد. /docs/index.html. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرس این دوره دکتر Srijith Rajamohan خواهد بود.

هدف از این دوره، معرفی آمار محاسباتی به دانشمندان مشتاق یا جدید داده است. شرکت کنندگان با یادگیری مبانی احتمال، مدل سازی بیزی و استنتاج شروع خواهند کرد. این اولین دوره در یک تخصص شامل سه دوره خواهد بود. از نوت بوک پایتون و ژوپیتر در طول این دوره برای تصویرسازی و اجرای مدلسازی بیزی استفاده خواهد شد. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics/docs/index.html قرار دارد. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرسان این دوره دکتر سریجیت راجاموهان و دکتر رابرت ستلاژ خواهند بود.