Anggaran Parameter Bayes dan MCMC untuk Jurutera

Dalam kejuruteraan dan sains fizikal, memadankan model matematik dengan data dunia sebenar memerlukan lebih daripada sekadar mencari satu garis padanan terbaik. Untuk membuat ramalan yang boleh dipercayai, anda perlu memahami ketidakpastian di sebalik parameter anda. Kursus teks sahaja ini membimbing anda daripada konsep asas kebarangkalian kepada pelaksanaan anggaran parameter Bayes yang kukuh menggunakan algoritma Markov Chain Monte Carlo (MCMC), membolehkan anda beralih daripada anggaran titik mudah kepada taburan kebarangkalian penuh. Apa yang anda akan pelajari: - Memahami prinsip teras statistik Bayes, taburan prior, dan fungsi likelihood. - Melaksanakan algoritma Metropolis-Hastings dari awal untuk menyampel ruang kebarangkalian yang kompleks. - Menganalisis diagnostik tumpuan MCMC, termasuk autokorelasi dan metrik moden seperti R-hat. - Mengaplikasikan teknik anggaran parameter kepada model kejuruteraan dan sains fizikal. - Meramal tingkah laku sistem dengan selang ketidakpastian yang dikuantifikasi imbas kembali ramalan titik tunggal. - Menyusun kod berangka anda menggunakan amalan terbaik pengaturcaraan moden untuk pengkomputeran saintifik yang bersih dan boleh dihasilkan semula. Kursus ini bermula dengan terminologi utama, konsep kebarangkalian asas, dan takrifan asas sebelum membimbing anda melalui reka bentuk algoritma MCMC, semakan diagnostik, and senario aplikasi praktikal. Ia direka untuk jurutera, saintis, dan penganalisis data yang mencari pengenalan yang kukuh dan mengutamakan kod kepada anggaran Bayes tanpa memerlukan ijazah lanjutan dalam statistik. Mula membaca hari ini untuk menguasai asas anggaran parameter Bayes.