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.
제공자:
Bayesian Statistics: Time Series Analysis
캘리포니아대학교 산타크루스캠퍼스이 강좌에 대하여
최근 조회 1,931회
유연한 마감일
일정에 따라 마감일을 재설정합니다.
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
중급 단계
Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.
완료하는 데 약 22시간 필요
영어
자막: 영어
귀하가 습득할 기술
- Bayesian Statistics
- Forecasting
- Dynamic Linear Modeling
- Time Series
- R Programming
유연한 마감일
일정에 따라 마감일을 재설정합니다.
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
중급 단계
Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.
완료하는 데 약 22시간 필요
영어
자막: 영어
제공자:
캘리포니아대학교 산타크루스캠퍼스
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.
강의 계획표 - 이 강좌에서 배울 내용
완료하는 데 6시간 필요
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.
완료하는 데 6시간 필요
9개 동영상 (총 94분), 12 개의 읽기 자료, 5 개의 테스트
완료하는 데 5시간 필요
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.
완료하는 데 5시간 필요
9개 동영상 (총 96분), 8 개의 읽기 자료, 3 개의 테스트
완료하는 데 5시간 필요
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.
완료하는 데 5시간 필요
10개 동영상 (총 114분), 7 개의 읽기 자료, 3 개의 테스트
완료하는 데 4시간 필요
Week 4: Normal dynamic linear models, Part II
완료하는 데 4시간 필요
7개 동영상 (총 103분), 4 개의 읽기 자료, 3 개의 테스트
자주 묻는 질문
강의 및 과제를 언제 이용할 수 있게 되나요?
이 수료증을 구매하면 무엇을 이용할 수 있나요?
재정 지원을 받을 수 있나요?
궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.
