Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Imagina poder trabajar con datos donde la variable respuesta sea binaria, de conteo o aproximadamente normal, todo bajo un único marco. Pues no hace falta imaginarlo. ¡Bienvenido al curso de Modelos lineales generalizados en Python! En este curso ampliarás tu caja de herramientas de regresión con los modelos logístico y de Poisson: aprenderás a ajustar modelos, interpretarlos, evaluar su rendimiento y, por último, usarlos para predecir sobre datos nuevos. Practicarás con datos de estudios reales como el mayor envenenamiento poblacional de la historia, la nidificación de los cangrejos herradura y el recuento de bicicletas que cruzan los puentes de la ciudad de Nueva York.
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción a los GLM
Repasa los modelos lineales y aprende cómo los GLM son una extensión del modelo lineal para distintos tipos de variables respuesta. También verás los componentes fundamentales de los GLM y el proceso técnico para ajustar un GLM en Python.
- Más allá de la regresión lineal50 XP
- Aplicar modelos lineales50 XP
- Modelo lineal, un caso especial de GLM100 XP
- ¿Cómo construir un GLM?50 XP
- Tipo de dato y familia de distribución100 XP
- Modelo lineal y variable respuesta binaria100 XP
- Comparar valores predichos100 XP
- ¿Cómo ajustar un GLM en Python?50 XP
- Ajuste del modelo paso a paso100 XP
- Resultados del ajuste del modelo con summary()100 XP
- Extraer estimaciones de parámetros100 XP
2
Modelización de datos binarios
Este capítulo se centra en la regresión logística. Aprenderás sobre la estructura de los datos binarios, la función de enlace logit, el ajuste del modelo, así como a interpretar los coeficientes, realizar inferencia y evaluar el rendimiento del modelo.
3
Modelización de datos de conteo
Aquí aprenderás sobre la regresión de Poisson, incluyendo el análisis de los datos de conteo, la distribución de Poisson y la interpretación del ajuste del modelo. También verás cómo afrontar problemas de sobredispersión. Para terminar, pondrás en práctica el proceso de visualización del modelo.
4
Regresión logística multivariable
En este capítulo final aprenderás a aumentar la complejidad del modelo añadiendo más de una variable explicativa. Practicarás con el problema de la multicolinealidad y con el tratamiento de variables categóricas y términos de interacción en tu modelo.
Modelos lineales generalizados en Python
Curso
completado
