Qu'avez-vous appris? Qu'a-t-on laissé de côté?

Principes fondamentaux de l'analyse de données bayésienne en R

Rasmus Bååth

Data Scientist

Nous avons couvert

Principes fondamentaux de l'analyse de données bayésienne en R

Nous avons couvert

Principes fondamentaux de l'analyse de données bayésienne en R

Nous avons couvert

Principes fondamentaux de l'analyse de données bayésienne en R

Nous avons couvert

Principes fondamentaux de l'analyse de données bayésienne en R

Nous avons couvert

  • Méthodes de calcul
    • Échantillonnage par rejet
    • Approximation par grille
    • Markov chain Monte Carlo (MCMC)
Principes fondamentaux de l'analyse de données bayésienne en R

Nous avons couvert

  • Modèles génératifs :

Principes fondamentaux de l'analyse de données bayésienne en R
  • Travailler avec des échantillons représentant des lois de probabilité :
> head(sample)

mu    sigma
39.39 10.18
39.39 21.77
40.90 20.26
45.45 13.20
34.84 12.70
40.90 12.70

pred_iq <- rnorm(10000, mean = sample$mu, sd = sample$sigma)
sum(pred_iq >= 60) / length(pred_iq)

0.0901
Principes fondamentaux de l'analyse de données bayésienne en R

Ce que nous n'avons pas couvert

  • Qu'une approche bayésienne va bien au-delà des modèles simples.
  • Comment choisir les prioris et les modèles.
  • Les liens entre la statistique bayésienne et la statistique classique.
  • Des méthodes de calcul plus avancées.
  • Des outils informatiques plus avancés.
Principes fondamentaux de l'analyse de données bayésienne en R

Ce que nous n'avons pas couvert

Principes fondamentaux de l'analyse de données bayésienne en R

Partez explorer Bayes !

Principes fondamentaux de l'analyse de données bayésienne en R

Au revoir et merci !

Principes fondamentaux de l'analyse de données bayésienne en R

Passons à la pratique !

Principes fondamentaux de l'analyse de données bayésienne en R

Preparing Video For Download...