Berikut adalah silabus lengkap untuk mempelajari Bayesian Analysis menggunakan Python, dari level dasar hingga ultimate:
1. Pengenalan Bayesian Analysis
-
Durasi: 2 sesi
-
Materi: Konsep dasar Bayesian Probability dan perbedaannya dengan frekuentis.
-
Teorema Bayes dan aplikasi dasar.
-
Pengertian Prior , Likelihood , Posterior , dan Evidence .
-
Pengantar Python: instalasi library yang relevan (NumPy, SciPy, Matplotlib, PyMC3).
-
Proyek: Hitung probabilitas sederhana dengan teorema Bayes menggunakan Python.
2. Distribusi Probabilitas
-
Durasi: 2 sesi
-
Materi: Distribusi probabilitas umum dalam analisis Bayesian: normal, binomial, poisson, gamma, beta.
-
Visualisasi distribusi probabilitas di Python.
-
Konsep Prior dan bagaimana memilih Prior yang sesuai.
-
Proyek: Implementasikan distribusi normal dan binomial untuk masalah probabilitas di Python.
3. Sampling Metode dalam Bayesian Analysis
-
Durasi: 3 sesi
-
Materi: Sampling Monte Carlo ( Markov Chain Monte Carlo – MCMC ).
-
Metode Gibbs Sampling dan Metropolis-Hastings .
-
Pemahaman Posterior Distribution melalui sampling.
-
Penggunaan library seperti PyMC3 dan TensorFlow Probability.
-
Proyek: Gunakan MCMC untuk memodelkan posterior dari data sederhana.
4. Model Bayesian Sederhana
-
Durasi: 3 sesi
-
Materi: Membuat model Bayesian sederhana menggunakan Python.
-
Pengujian hipotesis dengan metode Bayesian.
-
Conjugate Priors dan distribusi yang relevan.
-
Proyek: Membangun model regresi linier sederhana dengan pendekatan Bayesian.
5. Inferensi Bayesian dan Pendekatan Numerik
-
Durasi: 3 sesi
