Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Stell dir vor, du kannst Daten mit binären, Zähl- oder ungefähr normalverteilten Zielvariablen in einem einzigen Rahmen behandeln. Du musst es dir nicht nur vorstellen: Willkommen im Kurs zu generalisierten linearen Modellen in Python! In diesem Kurs erweiterst du deinen Regressions-Werkzeugkasten um logistische und Poisson-Modelle. Du lernst, wie du Modelle anpasst, verstehst, die Modellgüte beurteilst und das Modell schließlich nutzt, um Vorhersagen für neue Daten zu treffen. Du übst mit Daten aus realen Studien wie der größten dokumentierten Massenvergiftung, der Eiablage von Pfeilschwanzkrebsen und den Fahrradzählungen auf den Brücken in New York City.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in GLMs
Wiederhole lineare Modelle und lerne, wie GLMs eine Erweiterung des linearen Modells für unterschiedliche Arten von Zielvariablen sind. Außerdem lernst du die Bausteine von GLMs kennen und den technischen Ablauf, ein GLM in Python zu fitten.
- Über lineare Regression hinausgehen50 XP
- Lineare Modelle anwenden50 XP
- Lineares Modell, ein Sonderfall des GLM100 XP
- Wie baue ich ein GLM?50 XP
- Datentyp und Verteilungsfamilie100 XP
- Lineares Modell und eine binäre Zielvariable100 XP
- Vorhergesagte Werte vergleichen100 XP
- Wie passt man ein GLM in Python an?50 XP
- Modellanpassung Schritt für Schritt100 XP
- Ergebnisse des Modell-Fits mit summary()100 XP
- Parameterschätzungen extrahieren100 XP
2
Binäre Daten modellieren
In diesem Kapitel steht die logistische Regression im Mittelpunkt. Du lernst die Struktur binärer Daten, die Logit-Link-Funktion und das Modell-Fitting kennen sowie die Interpretation von Modellkoeffizienten, Modellschlüsse und wie du die Modellgüte beurteilst.
3
Zähldaten modellieren
Hier lernst du die Poisson-Regression kennen, einschließlich einer Einführung in Zähldaten, die Poisson-Verteilung und die Interpretation des Modell-Fits. Du lernst auch, wie du Probleme mit Overdispersion meisterst. Abschließend sammelst du praktische Erfahrung mit der Visualisierung von Modellen.
4
Multivariable logistische Regression
In diesem letzten Kapitel erhöhst du die Komplexität deines Modells, indem du mehr als eine erklärende Variable hinzufügst. Du übst den Umgang mit Multikollinearität sowie mit kategorialen Variablen und Interaktionstermen in deinem Modell.
Generalisierte lineare Modelle in Python
Kurs
abgeschlossen
