基于R语言的贝叶斯网络模型实践技术应用
贝叶斯网络不但能够统合已有的各种统计学方法，如混合回归模型，LASSO,自回归模型，隐马模型等等；而且在很大程度上能够弥补统计学模型不能够进行因果推断的缺憾。以开源的R语言为平台，通过理论和实践相结合的方法，系统介绍了贝叶斯网络结构学习，参数学习以及因果推断等全过程，对贝叶斯网络有较全面的了解，并能够用于科研和工作实践中。
///【教 程】基于R语言的贝叶斯网络模型实践技术应用
【专家】：汪博士，来自中国科学院及重点高校资深专家，长期从事结构方程模型、群落生态学、保护生物学、景观生态学和生态模型方面的研究和教学工作，以发表了多篇论文，拥有丰富的科研及实践经验。
【目标】：
1.了解贝叶斯网络(Bayesian Network)模型的基本原理
2.掌握利用R实现贝叶斯网络的主要包及其特点
3.掌握利用R实现贝叶斯静态和动态网络学习的步骤和流程
4.掌握利用R进行贝叶斯网络推理的要点
5.通过理论知识学习与上机实践操作，具备构建贝叶斯网络模型的能力，实现科研和生产实践目的
基于R语言的现代贝叶斯统计学方法（贝叶斯参数估计、贝叶斯回归、贝叶斯计算）
贝叶斯统计学是一门基本思想与传统基于频率思想的统计学完全不同的统计学方法；它以其灵活性和先进性在现代的统计学中占据着重要的地位。贝叶斯统计学是开展科学研究不可缺少的重要手段，但是，因为其思想、技术和方法都与传统统计学有着较大区别；且其计算中涉及马尔科夫、蒙特卡罗和吉布斯采样等现代计算方法，对使用者经验和能力构成了很大的挑战。让广大研究者准确灵活的应用贝叶斯统计学，打通学科专业与贝叶斯统计学间的壁垒。
///【教 程】基于R语言的现代贝叶斯统计学方法（贝叶斯参数估计、贝叶斯回归、贝叶斯计算）
专题一 贝叶斯统计学的思想与概念
1.1 信念函数与概率
1.2 事件划分与贝叶斯法则
1.3 稀少事件的概率估计
1.4 可交换性
1.5 预测模型的构建
专题二 单参数模型
2.1 二项式模型与置信域
2.2 泊松模型与后验分布
2.3 指数族模型与共轭先验
专题三 蒙特卡罗逼近
3.1 蒙特卡罗方法
3.2 任意函数的后验推断
3.3 预测分布采样
3.4 后验模型检验
专题四 正态模型
4.1 均值与条件方差的推断
4.2 基于数学期望的先验
4.3非正态分布的正态模型
专题五 吉布斯采样
5.1 半共轭先验分布
5.2 离散近似
5.3 条件分布中的采样
5.4 吉布斯采样算法及其性质
5.5 MCMC方法
专题六 多元正态分布与组比较
6.1 多元正态分布的密度
6.2 均值的半共轭先验
6.3 逆－Wishart分布
6.4 缺失数据与贝叶斯插补
6.5 组间比较
6.6分层模型的均值与方差
专题七 线性回归
7.1 回归的本质与最小二乘法
7.2 回归的贝叶斯估计
7.3 模型的贝叶斯比较
7.4 吉布斯采样与模型平均
7.5 指数模型比较与选择
7.6 总结与结论
7.7 Python的Copula相关包介绍
专题八 非共轭先验与M-H算法
8.1 广义线性模型
8.2 泊松模型Metropolis算法
8.3 Metropolis-Hastings算法
8.4 M-H算法与吉布斯采样的组合
专题九 线性与广义线性混合效应模型
9.1 多层回归模型
9.2 全条件分布
9.3 广义线性混合效应模型
专题十 有序数据的隐变量模型
10.1 有序Probit回归
10.2 秩的似然
10.3 高斯Copula模型
基于R语言:INLA下的贝叶斯回归\生存分析\随机游走、广义可加模型\极端数据的贝叶斯分析等
贝叶斯统计学是一门基本思想与传统基于频率思想的统计学完全不同的统计学方法；它以其灵活性和先进性在现代的统计学中占据着重要的地位。贝叶斯回归方法作为传统回归技术在贝叶斯统计学中的拓展，在各个专业领域中都有着广泛的应用。然而。贝叶斯回归结合了回归和贝叶斯思想，其计算方法和技术以及模型结果的解释都较为复杂，能够让广大研究者准确应用贝叶斯回归，打通学科专业与贝叶斯回归间的壁垒
///【教 程】基于R语言的现代贝叶斯统计学方法实践技术应用
更多
●基于R语言结构方程模型分析与实践技术应用
●R语言回归及混合效应（多水平/层次/嵌套）模型应用及贝叶斯实现
●基于R语言与Octave的Kriging、贝叶斯优化及高斯过程模型优化技术
●基于R语言的Copula变量相关性分析及应用
●基于R语言的极值统计学及其在相关领域中的应用
