Les modèles statistiques basés sur le paradigme classique (ou fréquentiste) traitent les paramètres du modèle comme des constantes fixes et inconnues. Ils ne sont pas des variables aléatoires, et la notion de probabilité est dérivée dans un sens objectif comme une fréquence relative limitante. Le paradigme bayésien adopte une approche différente. Les paramètres de modèle sont des variables aléatoires, et la probabilité d`un événement est définie dans un sens subjectif comme le degré auquel vous estimez que l`événement est vrai. Cette différence fondamentale de philosophie conduit à des différences profondes dans le contenu statistique de l`estimation et de l`inférence. Dans le cadre fréquentiste, vous utilisez les données pour estimer au mieux la valeur inconnue d`un paramètre; vous essayez d`identifier une valeur dans l`espace de paramètre aussi bien que possible. Dans le cadre bayésien, vous utilisez les données pour mettre à jour vos croyances sur le comportement du paramètre pour évaluer ses propriétés distributionnelles aussi bien que possible. Si cela mouillé votre appétit et vous voudrez peut-être en savoir plus. Vous pouvez vous inscrire pour un cours de courrier électronique gratuit de 5 jours sur stats bayésiennes ici, ou si vous êtes convaincu déjà, vous pouvez acheter le cours complet sur Probabilistic programmation Primer.
Dans mon cours, je donne près de 4 heures de screencasts pour expliquer les concepts de modélisation bayésienne. Je couvre des exemples tels que`are auto Driving voitures Safe`, je donne des intros à une gamme de nouveaux outils de programmation probabiliste, et je donne également des screencasts exclusifs sur Arviz. Si vous pouvez suivre ce billet de blog et le comprendre, alors ce cours est pour vous. Chacune de ces méthodes apporte des antécédents utiles pour les problèmes «réguliers» à un seul paramètre, et chaque prieur peut gérer certains modèles statistiques difficiles (avec «irrégularité» ou plusieurs paramètres). Chacune de ces méthodes a été utile dans la pratique bayésienne. En effet, les méthodes de construction des antécédents «objectifs» (alternativement, «par défaut» ou «ignorance») ont été développées par des bayésiens subjectifs (ou «personnels») comme James Berger (Duke University) et José-Miguel Bernardo (Universitat de València), tout simplement parce que ces antécédents sont nécessaires pour la pratique bayésienne, en particulier dans la science. [33] la quête de «la méthode universelle pour construire des prieurs» continue d`attirer les théoriciens de la statistique. [33]. En effet, certains bayésiens ont fait valoir que l`état antérieur des connaissances définit la distribution de probabilité (unique) préalable pour les problèmes statistiques «réguliers»; voir des problèmes bien posés. Trouver la bonne méthode pour construire ces antécédents «objectifs» (pour les classes appropriées de problèmes réguliers) a été la quête de théoriciens statistiques de Laplace à John Maynard Keynes, Harold Jeffrey, et Edwin Thompson Jaynes. Ces théoriciens et leurs successeurs ont suggéré plusieurs méthodes pour construire des antécédents «objectifs» (malheureusement, il n`est pas clair comment évaluer l`objectivité relative des prieurs proposés dans ces méthodes): une méthode particulièrement rapide pour le BN exact l`apprentissage est de lancer le problème comme un problème d`optimisation, et le résoudre en utilisant la programmation d`entiers.