Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Eines der Hauptziele jeder Wissenschaft ist es, Muster in Daten zu finden und Modelle zu entwickeln, um diese Muster zu beschreiben, vorherzusagen und daraus Erkenntnisse zu gewinnen. Das grundlegendste dieser Muster ist eine lineare Beziehung zwischen zwei Variablen. Dieser Kurs führt in das Erkunden, Quantifizieren und Modellieren linearer Beziehungen in Daten ein und zeigt Techniken wie Kleinste-Quadrate, lineare Regression, Schätzung und Bootstrap-Resampling. Du wendest die leistungsstärksten Modellierungswerkzeuge im Python-Data-Science-Ökosystem an, darunter scipy, statsmodels und scikit-learn, um lineare Modelle zu erstellen und zu bewerten. Indem du die Konzepte und Anwendungen linearer Modelle mit Python erkundest, dient dieser Kurs sowohl als praxisnaher Einstieg in die Modellierung als auch als Grundlage, um fortgeschrittenere Modellierungstechniken und -tools in Statistik und Machine Learning zu lernen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Lineare Trends erkunden
Wir starten den Kurs mit einer ersten Erkundung linearer Beziehungen, einschließlich motivierender Beispiele dafür, wie lineare Modelle genutzt werden, und mit Demonstrationen von Datenvisualisierungsmethoden aus matplotlib. Anschließend verwenden wir deskriptive Statistik, um die Form unserer Daten zu quantifizieren, und Korrelationen, um die Stärke linearer Beziehungen zwischen zwei Variablen zu messen.
- Einführung in die Datenmodellierung50 XP
- Gründe für Modellierung: Interpolation100 XP
- Gründe fürs Modellieren: Extrapolation100 XP
- Warum modellieren? Beziehungen schätzen100 XP
- Lineare Beziehungen visualisieren50 XP
- Daten plotten100 XP
- Das Modell auf die Daten plotten100 XP
- Steigung und Achsenabschnitt visuell schätzen100 XP
- Lineare Beziehungen quantifizieren50 XP
- Mittelwert, Abweichung & Standardabweichung100 XP
- Kovarianz vs. Korrelation100 XP
- Stärke der Korrelation100 XP
2
Lineare Modelle aufbauen
Hier betrachten wir die Bausteine zum Aufbau eines linearen Modells. Ausgehend vom Konzept einer Taylor-Reihe konzentrieren wir uns auf die Parameter Steigung und Achsenabschnitt, darauf, wie sie das Modell bestimmen, und wie man sie in verschiedenen Anwendungszusammenhängen interpretiert. Wir nutzen verschiedene Python-Module, um das Modell zu finden, das am besten zu den Daten passt, indem wir die optimalen Werte für Steigung und Achsenabschnitt mit Hilfe der Methode der kleinsten Quadrate, numpy, statsmodels und scikit-learn berechnen.
3
Modellvorhersagen treffen
Als Nächstes wenden wir Modelle auf reale Daten an und erstellen Vorhersagen. Wir untersuchen einige der häufigsten Fallstricke und Grenzen von Vorhersagen und bewerten und vergleichen Modelle, indem wir mehrere Gütemaße quantifizieren und gegenüberstellen, darunter RMSE und R-Quadrat.
4
Modellparameter schätzen
Im letzten Kapitel führen wir Konzepte aus der schließenden Statistik ein und nutzen sie, um zu untersuchen, wie Maximum-Likelihood-Schätzung und Bootstrap-Resampling zur Schätzung von Parametern linearer Modelle verwendet werden können. Anschließend wenden wir diese Methoden an, um probabilistische Aussagen über unsere Zuversicht in die Modellparameter zu treffen.
Einführung in lineares Modellieren mit Python
Kurs
abgeschlossen
