Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Utilizar modelos estadísticos de Python para la regresión lineal y logística
La regresión lineal y la regresión logística son dos de los modelos estadísticos más utilizados. Actúan como llaves maestras, desvelando los secretos ocultos en tus datos. En este curso, adquirirás las habilidades necesarias para ajustar regresiones lineales y logísticas sencillas.Mediante ejercicios prácticos, explorarás las relaciones entre variables en conjuntos de datos del mundo real, como reclamaciones de seguros de automóviles, precios de viviendas en Taiwán, tamaños de peces, etc.
Descubre cómo hacer predicciones y evaluar el ajuste del modelo
Empezarás este curso de 4 horas aprendiendo qué es la regresión y en qué se diferencian la regresión lineal y la regresión logística, aprendiendo a aplicar ambas. A continuación, aprenderás a utilizar los modelos de regresión lineal para hacer predicciones sobre los datos, a la vez que comprendes los objetos del modelo.A medida que avances, aprenderás a evaluar el ajuste de tu modelo y a saber lo bien que se ajusta tu modelo de regresión lineal. Por último, profundizarás en los modelos de regresión logística para hacer predicciones sobre datos reales.
Aprende los fundamentos del análisis de regresión en Python
Al final de este curso, sabrás cómo hacer predicciones a partir de tus datos, cuantificar el rendimiento del modelo y diagnosticar los problemas de ajuste del modelo. Comprenderás cómo utilizar los modelos estadísticos de Python para el análisis de regresión y serás capaz de aplicar los conocimientos a conjuntos de datos de la vida real.Requisitos previos
Programa de formación
Contenido del curso
1
Modelización de regresión lineal simple
Aprenderás los fundamentos de este modelo estadístico tan popular, qué es la regresión y en qué se diferencian la regresión lineal y la logística. Después verás cómo ajustar modelos de regresión lineal simple con variables explicativas numéricas y categóricas, y cómo describir la relación entre la variable respuesta y las variables explicativas usando los coeficientes del modelo.
- Una historia de dos variables50 XP
- ¿Cuál es la variable de respuesta?50 XP
- Visualizar dos variables numéricas100 XP
- Ajustar una regresión lineal50 XP
- Estima la intersección (intercepto)50 XP
- Estima la pendiente50 XP
- Regresión lineal con ols()100 XP
- Variables explicativas categóricas50 XP
- Visualizar numérica vs. categórica100 XP
- Calcular medias por categoría100 XP
- Regresión lineal con una variable explicativa categórica100 XP
2
Predicciones y objetos de modelo
En este capítulo, descubrirás cómo usar modelos de regresión lineal para hacer predicciones sobre los precios de vivienda en Taiwán y los clics en anuncios de Facebook. También mejorarás tus habilidades de regresión al trabajar con objetos de modelo, comprender el concepto de "regresión a la media" y aprender a transformar variables en un conjunto de datos.
3
Evaluación del ajuste del modelo
En este capítulo, aprenderás a hacerle preguntas a tu modelo para evaluar su ajuste. Verás cómo cuantificar qué tan bien se ajusta un modelo de regresión lineal, diagnosticar problemas del modelo usando visualizaciones y entender la palanca y la influencia de cada observación en la construcción del modelo.
4
Modelización de regresión logística simple
Aprende a ajustar modelos de regresión logística. Con datos reales, predecirás la probabilidad de que un cliente cierre su cuenta bancaria como probabilidades de éxito y cuotas (odds), y cuantificarás el rendimiento del modelo usando matrices de confusión.
Introducción a la regresión con statsmodels en Python
Curso
completado
