课程主页: https://www.coursera.org/learn/introduction-to-pymc3
在数据科学领域，贝叶斯建模和推理是重要的工具之一。最近，我有幸参加了Coursera上的一门课程，名为《Introduction to PyMC3 for Bayesian Modeling and Inference》，这是一门非常适合希望深入了解贝叶斯统计与PyMC3框架的课程。
**课程概述**
这门课程的目标是让参加者学习使用PyMC3进行贝叶斯建模与推理。课程将以Python和Jupyter笔记本为工具，帮助大家理解和应用贝叶斯建模的基本概念。该课程是一个三门课程专项的最后一门，内容丰富，涵盖了从基本概念到实际案例的方方面面。
**课程大纲**
1. **PyMC3 介绍 – 第一部分**
本模块引入了用于概率编程的PyMC3框架，介绍了与建模相关的基本概念和PyMC3语法，同时介绍了与PyMC3集成的可视化库ArViz。
课程网站：[PyMC3 介绍](https://sjster.github.io/introduction_to_computational_statistics/docs/Production/PyMC3.html)
笔记本的下载与运行说明请参见：[入门指南](https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html)
2. **PyMC3 介绍 – 第二部分**
本模块将教你如何使用PyMC3解决回归和分类问题，并介绍如何处理数据中的异常值和创建分层模型。最后，通过案例研究帮助应用模块一和模块二所学到的知识。
课程网站：[线性回归](https://sjster.github.io/introduction_to_computational_statistics/docs/Production/PyMC3.html#linear-regression-again)
笔记本的下载与运行说明请参见：[入门指南](https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html)
3. **PyMC3 中的指标**
本模块引入了评估使用PyMC3推断的解决方案质量的各种衡量标准和指标。通过示例展示如何使用不同的方法和可视化工具，最后简要介绍了如何调试PyMC3算法。
课程网站：[MCMC 指标](https://sjster.github.io/introduction_to_computational_statistics/docs/Production/PyMC3.html#mcmc-metrics)
笔记本的下载与运行说明请参见：[入门指南](https://sjster.github.io/introduction_to_computational_statistics/docs/Production/getting_started.html)
4. **COVID-19 病例建模使用 PyMC3**
本项目是一个未评分的最终项目，我们将利用在本课程中所学的内容，使用SIR模型对COVID-19的动态进行建模。利用真实数据，目标是推断COVID-19 SIR模型的参数。
**课程推荐**
我强烈推荐这门课程给对统计建模感兴趣的任何人，不论是学生、数据科学爱好者还是专业人士，皆可以从中受益。课程内容深入浅出，通过实践案例使复杂的理论变得易于理解。通过学习PyMC3，不仅能够完善技术技能，同时也能在实际项目中应用这些技能。
无论你是希望提高自己的数据分析能力，还是希望更深入地了解贝叶斯统计，选择这门课程绝对不会错！
课程主页: https://www.coursera.org/learn/introduction-to-pymc3