現代の生態学、環境、地球科学の研究において、変数と変数の間の因果関係の推論は非常に重要な位置を占めています。実際には、変数間の因果関係の研究には高価な実験が必要になることがよくありますが、結果は自然環境における実際の因果関係とはかけ離れていることがよくあります。統計的手法は、自然環境における変数間の関係を研究するための優れた方法ですが、多くの場合、一般的な統計的手法で変数間の相関関係に答えが得られます。相関関係は因果関係への第一歩ですが、それが最終的な目標ではありません。ベイジアンネットワークは、グラフ理論と統計理論を組み合わせて提案された新しいモデルです。ベイジアン ネットワークは、混合回帰モデル、LASSO、自己回帰モデル、隠れ馬モデルなどのさまざまな既存の統計手法を統合できるだけでなく、統計モデルが因果関係推論を実行できないことを補うこともできます。ベイジアン ネットワーク モデルは、1980 年代に正式に提案されて以来、生態学、環境、医学、社会学などのさまざまな分野の研究に応用され、成果を上げてきましたが、ベイジアン ネットワーク モデル理論は比較的複雑で、巨大なシステムと多様な形式があり、初心者にとって使いこなすのは困難です。
講師の王博士は、中国科学院および主要大学の上級専門家であり、R 言語統計、ベイズ統計、極値統計、水文学と生態学の研究と教育に長年従事しており、著書を出版しています。現在、極値統計関連の論文を6本発表しており、豊富な科学研究と実践経験を有しています。
トピック 1: R 言語でベイジアン ネットワーク分析を実装する基本プロセス
R言語のデータ型と基本操作
R言語によるグラフ理論に関する演算
ベイジアンネットワークのグラフ表現と確率表現
bnlearn に基づいてシンプルなベイジアン ネットワークを構築する
トピック 2: 離散静的ベイジアン ネットワークの構築
離散静的ネットワークの構造学習
離散静的ネットワークのパラメータ推定
離散静的ネットワークの推論
事例分析
トピック 3: 継続的分散下のベイジアン ネットワーク
連続ベイジアン ネットワークの構造学習
連続ベイジアン ネットワークのパラメーター推定
ガウス ベイジアン ネットワークの推論
事例分析
トピック 4: ハイブリッド ベイジアン ネットワーク
混合配布の取り扱い
ハイブリッド ネットワークへのベイズ統計の適用
事例分析
トピック 5: 動的ベイジアン ネットワーク
時系列の変数の選択
時間依存性の処理
動的ベイジアン ネットワーク
事例分析
トピック 6: Gephi に基づく予備的なネットワーク マッピング
Gephi に基づく予備的なネットワーク マッピング
トピック 7: 現実世界のベイジアン ネットワーク
しきい値選択によるブートストラップ
モデル平均法
不均質動的ベイジアン ネットワーク
事例分析