Bayesian Statistics

Thống kê Bayes

Định lý Bayes, mạng Bayes, phương pháp lấy mẫu Bayes, suy luận Bayes, học máy và nhiều hơn nữa

4.3

(661 đánh giá)

5,776 học viên

Giảng viên

Dr. Philipp Loick

Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao

50.000đ 449.000đ -89%

✓ Xem giỏ hàng và thanh toán

Bao gồm phụ đề tiếng Việt, tiếng Anh

4.5 giờ video

116 bài giảng

22 bài quiz

Truy cập vĩnh viễn

Học trên mọi thiết bị

Cập nhật: 31/05/2026

#Bayesian Statistics #Data Science #Probability #Statistics

Bạn sẽ học được gì

Định lý Bayes

Độc lập có điều kiện & Độc lập tuyệt đối

Mạng Bayes & d-separation

Liệt kê & Loại bỏ

Phương pháp lấy mẫu (lấy mẫu loại bỏ, lấy mẫu Gibbs, Metropolis Hastings)

Suy luận Bayes

Thống kê Bayes liên tục

Thống kê Bayes & Học máy

Yêu cầu

Toán học trình độ trung học phổ thông / lý tưởng là toán học hoặc khóa học thống kê năm nhất đại học

Kiến thức nền tảng cơ bản về xác suất

Đối tượng phù hợp

Sinh viên đại học các ngành khoa học, kinh doanh và kỹ thuật muốn tìm hiểu về Thống kê Bayes cho việc học đại học hoặc phỏng vấn xin việc

Người hành nghề trong các lĩnh vực này muốn tìm hiểu các khái niệm trọng tâm của thống kê Bayes để áp dụng vào các vấn đề thực tế

Nội dung khóa học

10 phần • 115 bài giảng

1 Kiến thức cơ bản về xác suất 1

2 Kiến thức cơ bản về xác suất 2

3 Kiến thức cơ bản về xác suất 3

4 Kiến thức cơ bản về xác suất - Bài tập 1

5 Kiến thức cơ bản về xác suất - Bài tập 2

6 Vấn đề tổng quan 1

7 Vấn đề tổng quan 2

8 Đề cương khóa học

9 Kết thúc phần

1 Giới thiệu

2 Định lý Bayes - Bảng ngẫu nhiên

3 Định lý Bayes - Bài tập bảng ngẫu nhiên

4 Định lý Bayes - Công thức

5 Định lý Bayes - Bài tập công thức

6 Định lý Bayes

7 Bài tập vấn đề tổng quan

8 Bài toán Monty Hall

9 Kết thúc phần

1 Giới thiệu

2 Thêm một chút xác suất 1

3 Thêm một chút xác suất 2

4 ... thậm chí nhiều xác suất hơn

5 Độc lập Tuyệt đối & Có điều kiện

6 Có điều kiện --> Độc lập Tuyệt đối 1

7 Có điều kiện --> Độc lập Tuyệt đối 2 - Bài tập

8 Có điều kiện --> Độc lập Tuyệt đối 3

9 Tuyệt đối --> Độc lập Có điều kiện 1

10 Tuyệt đối --> Độc lập Có điều kiện 2

11 Tuyệt đối --> Độc lập Có điều kiện 3

12 Tuyệt đối --> Độc lập Có điều kiện 4 - Bài tập

13 Tóm tắt

14 Kết thúc phần

1 Giới thiệu

2 Giới thiệu về mạng Bayes

3 Mạng Bayes - Vấn đề tổng quan

4 Mạng Bayes - Độc lập 1 - Bài tập

5 Mạng Bayes - Độc lập 2 - Bài tập

6 Mạng Bayes - Độc lập 3

7 D-separation 1

8 D-separation 2

9 D-separation 3

10 D-separation 4 - Bài tập

11 D-separation 5 - Bài tập

12 D-separation 6 - Bài tập

13 Kết thúc phần

1 Giới thiệu

2 Ôn tập về xác suất

3 Tính toán hậu nghiệm trong mạng Bayes

4 Cách tiếp cận 1: Liệt kê

5 Cách tiếp cận 1: Liệt kê (tiếp)

6 Cách tiếp cận 2: Loại bỏ

7 Liệt kê so với Loại bỏ

8 Cách tiếp cận 1: Bài tập Liệt kê

9 Cách tiếp cận 2: Bài tập Loại bỏ

10 Kết thúc phần

1 Giới thiệu

2 Vấn đề tổng quan

3 Dự án nhỏ - Bài tập 1

4 Dự án nhỏ - Bài tập 2

5 Dự án nhỏ - Bài tập 3

6 Dự án nhỏ - Bài tập 4

7 Kết thúc phần

1 Giới thiệu

2 Vấn đề tổng quan

3 Lấy mẫu loại bỏ 1

4 Lấy mẫu loại bỏ 2

5 Lấy mẫu loại bỏ 3

6 Lấy mẫu Gibbs 1

7 Lấy mẫu Gibbs 2

8 Lấy mẫu Gibbs 3

9 Thuật toán Metropolis-Hastings 1

10 Thuật toán Metropolis-Hastings 2

11 Thuật toán Metropolis-Hastings 3

12 Kết thúc phần

1 Giới thiệu

2 Thường nghiệm so với Bayes

3 Giới thiệu kiểm định giả thuyết

4 Kiểm định giả thuyết thường nghiệm

5 Kiểm định giả thuyết Bayes 1

6 Kiểm định giả thuyết Bayes 2

7 Suy luận

8 Kiểm định giả thuyết thường nghiệm - Bài tập

9 Kiểm định giả thuyết Bayes - Bài tập

10 Hàm mất mát 1 - Bài tập

11 Hàm mất mát 2

12 Hàm mất mát 3

13 Khoảng tin cậy

14 Khoảng đáng tin cậy

15 Kết thúc phần

1 Giới thiệu

2 Kiến thức cơ bản về phân phối 1

3 Kiến thức cơ bản về phân phối 2

4 Tính liên hợp 1

5 Tính liên hợp 2 - Bài tập

6 Tính liên hợp 3

7 Phân phối & tiên nghiệm liên hợp

8 Kiểm định giả thuyết liên tục

9 Lấy mẫu loại bỏ

10 Thuật toán Metropolis-Hastings 1

11 Thuật toán Metropolis-Hastings 2

12 So sánh các phương pháp lấy mẫu

13 Phương pháp lấy mẫu - Bài tập

14 Kết thúc phần

1 Giới thiệu

2 Kiến thức cơ bản về học máy

3 Vấn đề tổng quan

4 Naive Bayes - Huấn luyện

5 Naive Bayes - Bài tập Huấn luyện

6 Naive Bayes - Bài tập Kiểm tra

7 Naive Bayes mở rộng cây

8 Phân tích biệt tuyến tính 1

9 Phân tích biệt tuyến tính 2

10 k-means

11 Mô hình hỗn hợp Gaussian

12 Kết thúc phần

Giới thiệu khóa học

Bayesian Statistics is a fascinating field and today the centerpiece of many statistical applications in data science and machine learning. In this course, we will cover the main concepts of Bayesian Statistics including among others Bayes Theorem, Bayesian networks, Enumeration & Elimination for inference in such networks, sampling methods such as Gibbs sampling and the Metropolis-Hastings algorithm, Bayesian inference and the relation to machine learning.

This course is designed around examples and exercises that provide plenty of opportunities to build intuition and apply your gathered knowledge. Many examples come from real-world applications in science, business or engineering or are taken from data science job interviews.

While this is not a programming course, I have included multiple references to programming resources relevant to Bayesian statistics. The course is specifically designed for students without many years of formal mathematical education. The only prerequisite is high-school level mathematics, ideally a first-year university mathematics course and a basic understanding of probability.