Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Uno degli obiettivi principali di ogni scienziato è trovare schemi nei dati e creare modelli per descriverli, prevederli ed estrarne insight. Il più fondamentale di questi schemi è una relazione lineare tra due variabili. Questo corso è un’introduzione all’esplorazione, alla quantificazione e alla modellazione delle relazioni lineari nei dati, illustrando tecniche come i minimi quadrati, la regressione lineare, la stima e il bootstrap resampling. Qui applicherai i più potenti strumenti di modellazione dell’ecosistema data science di Python, tra cui scipy, statsmodels e scikit-learn, per costruire e valutare modelli lineari. Esplorando concetti e applicazioni dei modelli lineari con Python, il corso funge sia da introduzione pratica alla modellazione, sia da base per apprendere tecniche e strumenti più avanzati in statistica e Machine Learning.
Prerequisiti
Programma
Struttura del corso
1
Esplorare le tendenze lineari
Iniziamo il corso con un’esplorazione iniziale delle relazioni lineari, includendo alcuni esempi motivanti su come vengono usati i modelli lineari e dimostrazioni di metodi di visualizzazione dei dati con matplotlib. Usiamo poi statistiche descrittive per quantificare la forma dei nostri dati e la correlazione per misurare l’intensità delle relazioni lineari tra due variabili.
- Introduzione alla modellazione dei dati50 XP
- Perché modellare: interpolazione100 XP
- Perché modellare: estrapolazione100 XP
- Perché modellare: stimare le relazioni100 XP
- Visualizzare le relazioni lineari50 XP
- Rappresentare i dati100 XP
- Rappresentare il modello sui dati100 XP
- Stima visiva di pendenza e intercetta100 XP
- Quantificare le relazioni lineari50 XP
- Media, Deviazione e Deviazione standard100 XP
- Covarianza vs Correlazione100 XP
- Forza della correlazione100 XP
2
Costruire modelli lineari
Qui analizziamo gli elementi che compongono un modello lineare. Usando il concetto di serie di Taylor, ci concentriamo sui parametri pendenza e intercetta, su come definiscono il modello e su come interpretarli in vari contesti applicati. Applichiamo diversi moduli Python per trovare il modello che si adatta meglio ai dati, calcolando i valori ottimali di pendenza e intercetta tramite minimi quadrati, numpy, statsmodels e scikit-learn.
3
Fare previsioni con i modelli
Successivamente applicheremo i modelli a dati reali per fare previsioni. Esploreremo alcune delle insidie e limitazioni più comuni delle previsioni, e valuteremo e confronteremo i modelli quantificando e mettendo a confronto diverse misure di bontà dell’adattamento, tra cui RMSE e R-squared.
4
Stimare i parametri del modello
Nel capitolo finale introduciamo concetti di statistica inferenziale e li usiamo per mostrare come la stima di massima verosimiglianza e il bootstrap resampling possano essere impiegati per stimare i parametri di un modello lineare. Applichiamo poi questi metodi per formulare affermazioni probabilistiche sulla nostra fiducia nei parametri del modello.
Introduzione alla modellazione lineare in Python
Corso
completato
