Dieser Kurs richtet sich an praktizierende und angehende Datenwissenschaftler und Statistiker. Er ist der vierte einer vierteiligen Kursreihe zur Einführung in die Grundlagen der Bayes'schen Statistik. Er baut auf dem Kurs Bayesianische Statistik auf: Vom Konzept zur Datenanalyse, Techniken und Modelle und Mischungsmodelle auf.
Bayessche Statistik: Zeitreihenanalyse
Dieser Kurs ist Teil von Spezialisierung Bayessche Statistik
Dozent: Raquel Prado
4.612 bereits angemeldet
Bei enthalten
(15 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
Erstellen Sie Modelle, die zeitliche Abhängigkeiten beschreiben.
Verwenden Sie R für die Analyse und Vorhersage von Zeitreihen.
Erklären Sie stationäre Zeitreihenprozesse.
Kompetenzen, die Sie erwerben
- Kategorie: Vorhersage
- Kategorie: Bayessche Statistik
- Kategorie: Zeitreihen
- Kategorie: Dynamische lineare Modellierung
- Kategorie: R-Programmierung
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
10 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 5 Module
Dieses Modul definiert stationäre Zeitreihenprozesse, die Autokorrelationsfunktion und den autoregressiven Prozess der Ordnung eins oder AR(1). Die Parameterschätzung mittels Maximum Likelihood und die Bayes'sche Inferenz im AR(1) werden ebenfalls behandelt.
Das ist alles enthalten
9 Videos12 Lektüren4 Aufgaben1 peer review
Dieses Modul erweitert die in Woche 1 erlernten Konzepte über den AR(1)-Prozess auf den allgemeinen Fall des AR(p). Die Maximum-Likelihood-Schätzung und die Bayes'sche Posterior-Inferenz im AR(p) werden besprochen.
Das ist alles enthalten
9 Videos8 Lektüren2 Aufgaben1 peer review
Normale dynamische lineare Modelle (NDLMs) werden in diesem Modul definiert und anhand mehrerer Beispiele erläutert. Die Modellbildung auf der Grundlage der Prognosefunktion über das Überlagerungsprinzip wird erläutert. Methoden zur Bayes'schen Filterung, Glättung und Vorhersage für NDLMs im Falle bekannter Beobachtungsabweichungen und bekannter Systemkovarianzmatrizen werden besprochen und veranschaulicht.
Das ist alles enthalten
10 Videos7 Lektüren2 Aufgaben1 peer review
Das ist alles enthalten
7 Videos4 Lektüren2 Aufgaben1 peer review
In diesem Abschlussprojekt werden Sie normale dynamische lineare Modelle verwenden, um einen von Google Trend heruntergeladenen Zeitreihendatensatz zu analysieren.
Das ist alles enthalten
1 peer review
Dozent
Empfohlen, wenn Sie sich für Wahrscheinlichkeitsrechnung und Statistik interessieren
University of California, Santa Cruz
University of California, Santa Cruz
University of California, Santa Cruz
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 15
15 Bewertungen
- 5 stars
73,33 %
- 4 stars
0 %
- 3 stars
20 %
- 2 stars
0 %
- 1 star
6,66 %
Geprüft am 5. Feb. 2024
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.