Estimasi Parameter Bayesian dan MCMC untuk Insinyur

Dalam teknik dan ilmu fisika, mencocokkan model matematika dengan data dunia nyata memerlukan lebih dari sekadar mencari satu garis penyesuaian terbaik. Untuk membuat prediksi yang dapat diandalkan, Anda perlu memahami ketidakpastian di balik parameter Anda. Kursus khusus teks ini memandu Anda dari konsep dasar probabilitas hingga penerapan estimasi parameter Bayesian yang tangguh menggunakan algoritma Markov Chain Monte Carlo (MCMC), memungkinkan Anda bertransisi dari estimasi titik sederhana ke distribusi probabilitas penuh. Yang akan Anda pelajari: - Memahami prinsip inti statistik Bayesian, distribusi prior, dan fungsi likelihood. - Menerapkan algoritma Metropolis-Hastings dari awal untuk mengambil sampel ruang probabilitas yang kompleks. - Menganalisis diagnostik konvergensi MCMC, termasuk autokorelasi dan metrik modern seperti R-hat. - Menerapkan teknik estimasi parameter pada model teknik dan ilmu fisika. - Memprediksi perilaku sistem dengan interval ketidakpastian terkuantifikasi alih-alih perkiraan titik tunggal. - Menyusun kode numerik Anda menggunakan praktik terbaik pemrograman modern untuk komputasi ilmiah yang bersih dan dapat direproduksi. Kursus ini dimulai dengan terminologi kunci, konsep probabilitas dasar, dan definisi fondasi sebelum memandu Anda melalui desain algoritma MCMC, pemeriksaan diagnostik, dan skenario aplikasi praktis. Kursus ini dirancang untuk para insinyur, ilmuwan, dan analis data yang mencari pengantar yang solid berbasis kode untuk estimasi Bayesian tanpa memerlukan gelar lanjutan dalam statistik. Mulailah membaca hari ini untuk menguasai dasar-dasar estimasi parameter Bayesian.