Este curso forma parte de Programa especializado: Estadística bayesiana

Raquel Prado

2436 ya inscrito

Ofrecido Por

Programa especializado: Estadística bayesianaUniversidad de California en Santa Cruz

Acerca de este Curso

10.715 vistas recientes

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. 
Time series analysis is concerned with modeling the dependency among elements of a sequence of temporally related variables. To succeed in this course, you should be familiar with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference. You will learn how to build models that can describe temporal dependencies and how to perform Bayesian inference and forecasting for the models. You will apply what you've learned with the open-source, freely available software R with sample databases. Your instructor Raquel Prado will take you from basic concepts for modeling temporally dependent data to implementation of specific classes of models

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Certificado para compartir

Obtén un certificado al finalizar

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Curso 4 de 5 en

Programa especializado: Estadística bayesiana

Nivel intermedio

Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.

Aprox. 22 horas para completar

Inglés (English)

¿Podría tu empresa beneficiarse de la capacitación de los empleados en las habilidades más demandadas?

Prueba Coursera para negocios

Habilidades que obtendrás

Bayesian Statistics
Forecasting
Dynamic Linear Modeling
Time Series
R Programming

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Certificado para compartir

Obtén un certificado al finalizar

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Curso 4 de 5 en

Programa especializado: Estadística bayesiana

Nivel intermedio

Familiarity with calculus-based probability, the principles of maximum likelihood estimation, and Bayesian inference.

Aprox. 22 horas para completar

Inglés (English)

¿Podría tu empresa beneficiarse de la capacitación de los empleados en las habilidades más demandadas?

Prueba Coursera para negocios

Instructor

Raquel Prado

Professor

Statistics

2436 alumnos

1 curso

Ofrecido por

Universidad de California en Santa Cruz

Mira cómo los empleados de las mejores empresas dominan las habilidades más demandadas

Obtén más información sobre Coursera para Empresas

Programa - Qué aprenderás en este curso

Semana1

Semana 1

6 horas para completar

Week 1: Introduction to time series and the AR(1) process

6 horas para completar

9 videos (Total 94 minutos), 12 lecturas, 5 cuestionarios

9 videos

Welcome to Bayesian Statistics: Time Series 7mStationarity 6mThe autocorrelation function (ACF) 8mACF, PACF, Differencing and Smoothing: Examples 11mThe AR(1) 15mSimulating from an AR(1) process 8mMaximum likelihood estimation in the AR(1)22mBayesian inference in the AR(1)10mBayesian inference in the AR(1): Conditional likelihood example 3m

12 lecturas

Introduction to R10mList of References 4mThe partial autocorrelation function (PACF)15mDifferencing and Smoothing 10mR Code: Differencing and filtering via moving averages10mR Code: Simulate data from a white noise process10mThe PACF of the AR(1) process 15mR Code: Sample data from AR(1) processes10mReview of maximum likelihood and Bayesian inference in regression 15mR code: MLE for the AR(1), examples15mR Code: AR(1) Bayesian inference, conditional likelihood example 12mBayesian inference in the AR(1), full likelihood example 10m

4 ejercicios de práctica

Objectives of the course 20mStationarity, the ACF and the PACF 30mThe AR(1) definitions and properties 30mMLE and Bayesian inference in the AR(1) 30m

Semana2

Semana 2

5 horas para completar

Week 2: The AR(p) process

5 horas para completar

9 videos (Total 96 minutos), 8 lecturas, 3 cuestionarios

9 videos

Definition and state-space representation20mExamples 17mACF of the AR(p)7mSimulating data from an AR(p)11mBayesian inference in the AR(p): Reference prior, conditional likelihood 8mModel order selection6mExample: Bayesian inference in the AR(p), conditional likelihood 12mSpectral representation of the AR(p)5mSpectral representation of the AR(p): Example 5m

8 lecturas

Rcode: Computing the roots of the AR polynomial 5mRcode: Simulating data from an AR(p)15mThe AR(p): Review 15mRcode: Maximum likelihood estimation, AR(p), conditional likelihood 10mRcode: Bayesian inference, AR(p), conditional likelihood 10mRcode: Model order selection 10mRcode: Spectral density of AR(p) 10mARIMA processes10m

2 ejercicios de práctica

Properties of AR processes 30mSpectral representation of the AR(p)30m

Semana3

Semana 3

5 horas para completar

Week 3: Normal dynamic linear models, Part I

5 horas para completar

10 videos (Total 114 minutos), 7 lecturas, 3 cuestionarios

10 videos

NDLM: Definition 16mPolynomial trend models13mRegression models 8mThe superposition principle 6mFiltering 19mFiltering in the NDLM: Example 14mSmoothing and forecasting 11mSmoothing in the NDLM: Example6mSecond order polynomial: Filtering and smoothing example7mUsing the dlm package in R 8m

7 lecturas

Summary of polynomial trend and regression models 10mSuperposition principle: General case10mSummary of the filtering distributions10mRcode. Filtering in the NDLM: Example 10mSummary of the smoothing and forecasting distributions10mRcode: Smoothing in the NDLM, Example10mRcode: Using the dlm package in R10m

2 ejercicios de práctica

The Normal Dynamic Linear Model30mNDLM, Part I: Review 30m

Semana4

Semana 4

4 horas para completar

Week 4: Normal dynamic linear models, Part II

4 horas para completar

7 videos (Total 103 minutos), 4 lecturas, 3 cuestionarios

7 videos

Fourier representation17mBuilding NDLMs with multiple components: Examples8mFiltering, Smoothing and Forecasting: Unknown observational variance10mSpecifying the system covariance matrix via discount factors17mNDLM, Unknown Observational Variance: Example13mEEG data 17mGoogle trends17m

4 lecturas

Fourier Representation: Example 110mSummary: DLM Fourier representation 12mSummary of Filtering, Smoothing and Forecasting Distributions, NDLM unknown observational variance 10mRcode: NDLM, Unknown Observational Variance Example 10m

2 ejercicios de práctica

Seasonal Models and Superposition30mNDLM, Part II20m

Acerca de Programa especializado: Estadística bayesiana

This Specialization is intended for all learners seeking to develop proficiency in statistics, Bayesian statistics, Bayesian inference, R programming, and much more. Through four complete courses (From Concept to Data Analysis; Techniques and Models; Mixture Models; Time Series Analysis) and a culminating project, you will cover Bayesian methods — such as conjugate models, MCMC, mixture models, and dynamic linear modeling — which will provide you with the skills necessary to perform analysis, engage in forecasting, and create statistical models using real-world data.

Preguntas Frecuentes

¿Cuándo podré acceder a las lecciones y tareas?
El acceso a las clases y las asignaciones depende del tipo de inscripción que tengas. Si tomas un curso en modo de oyente, verás la mayoría de los materiales del curso en forma gratuita. Para acceder a asignaciones calificadas y obtener un certificado, deberás comprar la experiencia de Certificado, ya sea durante o después de participar como oyente. Si no ves la opción de oyente:
es posible que el curso no ofrezca la opción de participar como oyente. En cambio, puedes intentar con una Prueba gratis o postularte para recibir ayuda económica.
Es posible que el curso ofrezca la opción 'Curso completo, sin certificado'. Esta opción te permite ver todos los materiales del curso, enviar las evaluaciones requeridas y obtener una calificación final. También significa que no podrás comprar una experiencia de Certificado.
¿Qué recibiré si me suscribo a este Programa especializado?
Cuando te inscribes en un curso, obtienes acceso a todos los cursos que forman parte del Programa especializado y te darán un Certificado cuando completes el trabajo. Se añadirá tu Certificado electrónico a la página Logros. Desde allí, puedes imprimir tu Certificado o añadirlo a tu perfil de LinkedIn. Si solo quieres leer y visualizar el contenido del curso, puedes auditar el curso sin costo.
¿Hay ayuda económica disponible?
Sí. En ciertos programas de aprendizaje, puedes postularte para recibir ayuda económica o una beca en caso de no poder costear los gastos de la tarifa de inscripción. Si hay ayuda económica o becas disponibles para tu selección de programa de aprendizaje, verás un enlace para postularte en la página de descripción.

¿Tienes más preguntas? Visita el Centro de Ayuda al Estudiante.

Desarrolla habilidades para tus empleados e impulsa los resultados de la empresa

Descubre Coursera para Empresas

Bayesian Statistics: Time Series Analysis

Acerca de este Curso

Habilidades que obtendrás