After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Bayangkan Anda dapat menangani data dengan variabel respons yang bersifat biner, cacah, atau kira-kira normal, semuanya dalam satu kerangka. Anda tidak perlu membayangkannya lagi. Inilah kursus Generalized Linear Models di Python! Dalam kursus ini, Anda akan memperluas perangkat regresi Anda dengan model logistik dan Poisson, dengan mempelajari cara melakukan fitting, memahami, menilai kinerja model, dan akhirnya menggunakan model untuk membuat prediksi pada data baru. Anda akan berlatih menggunakan data dari studi dunia nyata seperti keracunan populasi terbesar dalam sejarah, perilaku bersarang kepiting tapal kuda, dan perhitungan pesepeda yang melintasi jembatan di New York City.
Prasyarat
Kurikulum
Garis besar kursus
1
Pengantar GLM
Tinjau model linear dan pelajari bagaimana GLM merupakan perluasan dari model linear untuk jenis variabel respons yang berbeda. Anda juga akan mempelajari komponen dasar GLM dan proses teknis melakukan fitting GLM di Python.
- Melampaui regresi linear50 XP
- Menerapkan model linear50 XP
- Model linear, kasus khusus dari GLM100 XP
- Bagaimana membangun GLM?50 XP
- Tipe data dan keluarga distribusi100 XP
- Model linear dan variabel respons biner100 XP
- Membandingkan nilai prediksi100 XP
- Bagaimana cara menyesuaikan GLM di Python?50 XP
- Pemasangan model selangkah demi selangkah100 XP
- Hasil pemodelan menggunakan summary()100 XP
- Mengekstrak estimasi parameter100 XP
2
Pemodelan Data Biner
Bab ini berfokus pada regresi logistik. Anda akan mempelajari struktur data biner, fungsi taut logit, fitting model, serta cara menafsirkan koefisien model, melakukan inferensi model, dan menilai kinerja model.
3
Pemodelan Data Cacah
Di sini Anda akan mempelajari regresi Poisson, termasuk pembahasan tentang data cacah, distribusi Poisson, dan penafsiran hasil fitting model. Anda juga akan mempelajari cara mengatasi masalah overdispersion. Terakhir, Anda akan berlatih langsung dengan proses visualisasi model.
4
Regresi Logistik Multivariabel
Pada bab terakhir ini, Anda akan mempelajari cara meningkatkan kompleksitas model dengan menambahkan lebih dari satu variabel penjelas. Anda akan berlatih menghadapi masalah multikolinearitas, serta menangani peubah kategorikal dan suku interaksi dalam model Anda.
Generalized Linear Models di Python
Kursus
Selesai
