Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Uno de los objetivos principales de cualquier científico es encontrar patrones en los datos y construir modelos para describir, predecir y extraer información de esos patrones. El más fundamental de estos patrones es la relación lineal entre dos variables. Este curso introduce cómo explorar, cuantificar y modelar relaciones lineales en datos, mostrando técnicas como mínimos cuadrados, regresión lineal, estimación y remuestreo bootstrap. Aquí aplicarás las herramientas de modelado más potentes del ecosistema de ciencia de datos en Python, incluidas scipy, statsmodels y scikit-learn, para construir y evaluar modelos lineales. Al explorar los conceptos y aplicaciones de los modelos lineales con Python, este curso sirve tanto como una introducción práctica al modelado como una base para aprender técnicas y herramientas más avanzadas en estadística y Machine Learning.
Requisitos previos
Programa de formación
Esquema del curso
1
Explorar tendencias lineales
Comenzamos el curso con una exploración inicial de las relaciones lineales, incluyendo ejemplos motivadores de cómo se usan los modelos lineales y demostraciones de métodos de visualización de datos con matplotlib. Luego usamos estadísticas descriptivas para cuantificar la forma de nuestros datos y la correlación para medir la fuerza de las relaciones lineales entre dos variables.
- Introducción al modelado de datos50 XP
- Motivos para modelar: interpolación100 XP
- Razones para modelar: Extrapolación100 XP
- Motivos para modelar: estimar relaciones100 XP
- Visualizar relaciones lineales50 XP
- Representación de los datos100 XP
- Representar el modelo junto con los datos100 XP
- Estimación visual de la pendiente e intercepto100 XP
- Cuantificar relaciones lineales50 XP
- Media, desviación y desviación estándar100 XP
- Covarianza vs correlación100 XP
- Intensidad de la correlación100 XP
2
Construir modelos lineales
Aquí veremos las partes que intervienen en la construcción de un modelo lineal. Usando el concepto de Serie de Taylor, nos centraremos en los parámetros pendiente e intercepto, cómo definen el modelo y cómo interpretarlos en varios contextos aplicados. Aplicaremos distintos módulos de Python para encontrar el modelo que mejor se ajusta a los datos, calculando los valores óptimos de pendiente e intercepto mediante mínimos cuadrados, numpy, statsmodels y scikit-learn.
3
Hacer predicciones con el modelo
A continuación aplicaremos los modelos a datos reales y haremos predicciones. Exploraremos algunos de los errores y limitaciones más comunes de las predicciones, y evaluaremos y compararemos modelos cuantificando y contrastando varias medidas de bondad de ajuste, incluidas RMSE y R-cuadrado.
4
Estimar parámetros del modelo
En el capítulo final presentamos conceptos de estadística inferencial y los usamos para explorar cómo la estimación de máxima verosimilitud y el remuestreo bootstrap se pueden usar para estimar los parámetros de un modelo lineal. Luego aplicamos estos métodos para hacer afirmaciones probabilísticas sobre nuestra confianza en los parámetros del modelo.
Introducción al modelado lineal en Python
Curso
completado
