After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Data hilang ada di mana-mana. Proses mengisi nilai yang hilang dikenal sebagai imputasi, dan mengetahui cara mengisi data hilang dengan benar adalah keterampilan penting jika Anda ingin menghasilkan prediksi yang akurat dan menonjol dari yang lain. Dalam kursus ini, Anda akan mempelajari cara menggunakan visualisasi dan uji statistik untuk mengenali pola data hilang serta cara melakukan imputasi menggunakan kumpulan model statistik dan Machine Learning. Anda juga akan mengasah kemampuan mengambil keputusan, membantu Anda menentukan metode imputasi yang paling sesuai untuk situasi tertentu. Terakhir, Anda akan mempelajari cara memasukkan ketidakpastian dari imputasi ke dalam inferensi dan prediksi Anda, sehingga menjadi lebih tangguh dan andal.
Prasyarat
Kurikulum
Garis besar kursus
1
Masalah Data Hilang
Di bab ini, Anda akan mengetahui mengapa data hilang dapat menjadi risiko saat menganalisis himpunan data. Anda akan diperkenalkan pada tiga mekanisme data hilang dan mempelajari cara mengenalinya menggunakan uji statistik dan alat visualisasi.
- Data hilang: apa saja yang bisa salah50 XP
- Regresi linear dengan data tidak lengkap100 XP
- Menganalisis keluaran regresi50 XP
- Membandingkan model100 XP
- Mekanisme data hilang50 XP
- Mengenali mekanisme data hilang100 XP
- uji t untuk MAR: persiapan data100 XP
- uji t untuk MAR: interpretasi100 XP
- Memvisualisasikan pola data hilang50 XP
- Plot agregasi100 XP
- Spine plot100 XP
- Plot mosaik100 XP
2
Imputasi Berbasis Donor
Kenali taksonomi metode imputasi dan pelajari tiga teknik berbasis donor: imputasi rata-rata, hot-deck, dan k-Nearest-Neighbors. Anda akan melihat cara kerja metode-metode ini di balik layar, sebelum mempelajari cara menerapkannya pada himpunan data cuaca tropis dunia nyata. Sepanjang proses, Anda juga akan mempelajari kiat berguna yang dapat Anda gunakan untuk membuatnya bekerja lebih baik bagi permasalahan Anda.
3
Imputasi Berbasis Model
Saatnya mempelajari cara menggunakan model statistik dan Machine Learning, seperti regresi linear, regresi logistik, dan random forest, untuk melakukan imputasi data hilang. Di bab ini, Anda akan menelaah bagaimana model membuat prediksinya dan menggunakan pengetahuan tersebut untuk mengambil nilai hasil imputasi dari sebaran bersyarat. Hal ini penting karena memastikan hasil imputasi Anda lebih beragam dan masuk akal, sehingga lebih menyerupai data sebenarnya.
4
Ketidakpastian dari Imputasi
Nilai hasil imputasi bukanlah harga mati. Itu hanyalah taksiran, dan taksiran memiliki ketidakpastian. Di bab terakhir ini, Anda akan mempelajari bagaimana bootstrapping dan chained equations menggunakan paket mice dapat digunakan untuk memasukkan ketidakpastian imputasi ke dalam model dan analisis Anda agar lebih andal dan tangguh.
R
Menangani Data Hilang dengan Imputasi di R
Kursus
Selesai
