After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Generalized Additive Models adalah alat yang kuat untuk prediksi dan inferensi. Lebih fleksibel daripada model linear dan lebih mudah dipahami daripada metode kotak hitam, GAM memodelkan hubungan dalam data sebagai fungsi nonlinier yang sangat mudah disesuaikan dengan berbagai jenis data dan permasalahan data science. Dalam kursus ini, Anda akan mempelajari cara kerja GAM dan cara membangunnya dengan paket mgcv yang populer. Anda akan belajar menafsirkan, menjelaskan, dan memvisualisasikan hasil model, serta mendiagnosis dan memperbaiki masalah model. Anda akan bekerja dengan himpunan data yang menunjukkan cara menerapkan GAM pada berbagai situasi: data performa mobil untuk membangun model campuran linear dan nonlinier, data pencemaran tanah untuk membangun model geospasial, dan data pembelian konsumen untuk klasifikasi dan prediksi. Pada akhir kursus, Anda akan memiliki seperangkat alat untuk menyelesaikan banyak masalah data science.
Prasyarat
Kurikulum
Garis besar kursus
1
Pengantar Generalized Additive Models
Pada bab ini, Anda akan mempelajari cara kerja Generalized Additive Models dan cara menggunakan fungsi nonlinier yang fleksibel untuk memodelkan data tanpa overfitting. Anda akan belajar menggunakan fungsi gam() dalam paket mgcv, serta cara membangun model multivariat yang menggabungkan efek nonlinier, linear, dan kategorikal pada data.
- Pendahuluan50 XP
- Data kecelakaan sepeda motor: pendekatan linear100 XP
- Data kecelakaan sepeda motor: pendekatan nonlinier100 XP
- Bagian-bagian fungsi nonlinier100 XP
- Fungsi basis dan penghalusan50 XP
- Menetapkan kompleksitas model motorcycle100 XP
- Menggunakan parameter penghalus untuk menghindari overfitting100 XP
- Kompleksitas dan pemulusan secara bersamaan100 XP
- GAM Multivariat50 XP
- GAM multivariat untuk kinerja mobil100 XP
- Menambahkan variabel kategorikal ke model performa mobil100 XP
- Smooth tingkat kategori untuk tipe mobil yang berbeda100 XP
2
Menafsirkan dan Memvisualisasikan GAM
Pada bab ini, Anda akan meninjau lebih dekat model yang Anda buat di bab 1 dan mempelajari cara menafsirkan serta menjelaskannya. Anda akan belajar membuat plot yang menunjukkan bagaimana berbagai variabel memengaruhi keluaran model. Lalu Anda akan mendiagnosis masalah dalam model yang timbul dari underfitting data atau hubungan tersembunyi antarsesuai variabel, serta cara memperbaiki masalah tersebut secara iteratif untuk memperoleh hasil yang lebih baik.
3
GAM Spasial dan Interaksi
Pada bab ini, Anda akan memperluas jenis model yang dapat dibuat ke model dengan interaksi banyak variabel. Anda akan menyesuaikan model data geospasial dengan menggunakan interaksi ini untuk memodelkan permukaan yang kompleks, dan memvisualisasikannya dalam 3D. Selanjutnya Anda akan mempelajari interaksi antara variabel smooth dan variabel kategorikal, serta cara memodelkan interaksi antara variabel yang sangat berbeda seperti ruang dan waktu.
4
GAM Logistik untuk Klasifikasi
Pada tiga bab pertama, Anda menggunakan GAM untuk regresi dengan keluaran kontinu. Pada bab ini, Anda akan menggunakan GAM untuk klasifikasi. Anda akan membangun GAM logistik untuk memprediksi keluaran biner seperti perilaku pembelian pelanggan, mempelajari cara memvisualisasikan jenis model baru ini, membuat prediksi, dan mempelajari cara menjelaskan variabel yang memengaruhi setiap prediksi.
R
Pemodelan Nonlinier dengan Generalized Additive Models (GAM) di R
Kursus
Selesai
