Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Los Generalized Additive Models son una herramienta potente tanto para la predicción como para la inferencia. Más flexibles que los modelos lineales y más comprensibles que los métodos de caja negra, los GAM modelan las relaciones en los datos como funciones no lineales que se adaptan muy bien a distintos tipos de datos y problemas de data science. En este curso, aprenderás cómo funcionan los GAM y cómo construirlos con el popular paquete mgcv. Aprenderás a interpretar, explicar y visualizar los resultados de tus modelos, y a diagnosticar y corregir problemas de modelado. Trabajarás con conjuntos de datos que te mostrarán cómo aplicar GAM a diferentes situaciones: datos de rendimiento de automóviles para construir modelos mixtos lineales y no lineales, datos de contaminación del suelo para construir modelos geoespaciales y datos de compras de consumidores para clasificación y predicción. Al final del curso, tendrás un conjunto de herramientas para resolver muchos problemas de data science.
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción a los Generalized Additive Models
En este capítulo, aprenderás cómo funcionan los Generalized Additive Models y cómo usar funciones flexibles y no lineales para modelar datos sin sobreajustar. Aprenderás a usar la función gam() del paquete mgcv, y a construir modelos multivariantes que combinen efectos no lineales, lineales y categóricos sobre los datos.
- Introducción50 XP
- Datos de accidentes de motocicleta: enfoque lineal100 XP
- Datos de accidentes de motocicleta: enfoque no lineal100 XP
- Partes de la función no lineal100 XP
- Funciones base y suavizado50 XP
- Ajustar la complejidad del modelo de motocicletas100 XP
- Usar parámetros de suavizado para evitar el sobreajuste100 XP
- Complejidad y suavizado juntos100 XP
- GAM multivariados50 XP
- GAM multivariantes del rendimiento de autos100 XP
- Añadir variables categóricas al modelo de rendimiento del automóvil100 XP
- Suavizados por categoría para distintos tipos de coche100 XP
2
Interpretación y visualización de GAM
En este capítulo, profundizarás en los modelos que ajustaste en el capítulo 1 y aprenderás a interpretarlos y explicarlos. Aprenderás a crear gráficos que muestren cómo diferentes variables afectan los resultados del modelo. Luego, diagnosticarás problemas en los modelos derivados de un ajuste insuficiente de los datos o de relaciones ocultas entre variables, y cómo corregirlos de forma iterativa para obtener mejores resultados.
3
GAM espaciales e interacciones
En este capítulo, ampliarás los tipos de modelos que puedes ajustar para incluir interacciones entre múltiples variables. Ajustarás modelos de datos geoespaciales utilizando estas interacciones para modelar superficies complejas, y visualizarás esas superficies en 3D. Después, aprenderás sobre interacciones entre variables suaves y categóricas, y cómo modelar interacciones entre variables muy diferentes, como el espacio y el tiempo.
4
GAM logísticos para clasificación
En los tres primeros capítulos, utilizaste GAM para la regresión de resultados continuos. En este capítulo, usarás GAM para clasificación. Construirás GAM logísticos para predecir resultados binarios, como el comportamiento de compra de clientes; aprenderás a visualizar este nuevo tipo de modelo, a hacer predicciones y a explicar las variables que influyen en cada predicción.
R
Modelado no lineal con Generalized Additive Models (GAMs) en R
Curso
completado
