Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Immagina di poter gestire dati in cui la variabile risposta è binaria, di conteggio o approssimativamente normale, il tutto all'interno di un unico framework. In realtà, non serve immaginare. Benvenuto al corso sui Modelli lineari generalizzati in Python! In questo corso estenderai la tua cassetta degli attrezzi per la regressione con i modelli logit e di Poisson, imparando come adattarli, interpretarli, valutarne le prestazioni e infine usare il modello per fare previsioni su nuovi dati. Farai pratica con dati da studi reali, come il più grande avvelenamento di popolazione della storia, la nidificazione dei granchi ferro di cavallo e il conteggio dei passaggi in bicicletta sui ponti di New York City.
Prerequisiti
Programma
Struttura del corso
1
Introduzione ai GLM
Ripassa i modelli lineari e scopri come i GLM estendono il modello lineare per gestire diversi tipi di variabili risposta. Imparerai anche i mattoni fondamentali dei GLM e il processo tecnico per adattare un GLM in Python.
- Oltre la regressione lineare50 XP
- Applicare i modelli lineari50 XP
- Modello lineare, un caso particolare di GLM100 XP
- Come si costruisce un GLM?50 XP
- Tipo di dato e famiglia di distribuzione100 XP
- Modello lineare e variabile risposta binaria100 XP
- Confrontare i valori predetti100 XP
- Come adattare un GLM in Python?50 XP
- Stima del modello passo dopo passo100 XP
- Risultati dell'adattamento del modello con summary()100 XP
- Estrazione delle stime dei parametri100 XP
2
Modellare dati binari
Questo capitolo è dedicato alla regressione logistica. Imparerai la struttura dei dati binari, la funzione di collegamento logit, il fitting del modello, come interpretare i coefficienti, l'inferenza sul modello e come valutarne le prestazioni.
3
Modellare dati di conteggio
Qui imparerai la regressione di Poisson, inclusi la natura dei dati di conteggio, la distribuzione di Poisson e l'interpretazione dell'adattamento del modello. Vedrai anche come affrontare i problemi di sovradispersione. Infine, farai pratica diretta con il processo di visualizzazione del modello.
4
Regressione logistica multivariabile
In questo capitolo finale imparerai ad aumentare la complessità del tuo modello aggiungendo più di una variabile esplicativa. Farai pratica con il problema della multicollinearità e con il trattamento delle variabili categoriche e dei termini di interazione nel tuo modello.
Modelli lineari generalizzati in Python
Corso
completato
