After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
I Generalized Additive Models sono uno strumento potente sia per la previsione sia per l’inferenza. Più flessibili dei modelli lineari e più comprensibili dei metodi black-box, i GAM rappresentano le relazioni nei dati come funzioni non lineari altamente adattabili a diversi tipi di dati e problemi di data science. In questo corso imparerai come funzionano i GAM e come costruirli con il popolare pacchetto mgcv. Imparerai a interpretare, spiegare e visualizzare i risultati del modello, oltre a diagnosticare e correggere i problemi del modello. Lavorerai con insiemi di dati che ti mostreranno come applicare i GAM a una varietà di situazioni: dati sulle prestazioni automobilistiche per costruire modelli misti lineari e non lineari, dati sull’inquinamento del suolo per creare modelli geospaziali e dati sugli acquisti dei consumatori per classificazione e previsione. Alla fine del corso avrai una cassetta degli attrezzi per risolvere molti problemi di data science.
Prerequisiti
Curriculum
Programma del corso
1
Introduzione ai Generalized Additive Models
In questo capitolo scoprirai come funzionano i Generalized Additive Models e come usare funzioni flessibili e non lineari per modellare i dati senza overfitting. Imparerai a usare la funzione gam() del pacchetto mgcv e a costruire modelli multivariati che combinano effetti non lineari, lineari e categorici sui dati.
- Introduzione50 XP
- Dati sugli incidenti in moto: approccio lineare100 XP
- Dati sugli incidenti in moto: approccio non lineare100 XP
- Componenti di una funzione non lineare100 XP
- Funzioni base e smoothing50 XP
- Impostare la complessità del modello della motocicletta100 XP
- Usare i parametri di smoothing per evitare l'overfitting100 XP
- Complessità e smoothing insieme100 XP
- GAM multivariati50 XP
- GAM multivariati delle prestazioni auto100 XP
- Aggiungere variabili categoriche al modello sulle prestazioni auto100 XP
- Curve smooth a livello di categoria per diversi tipi di auto100 XP
2
Interpretare e visualizzare i GAM
In questo capitolo analizzerai più da vicino i modelli che hai adattato nel capitolo 1 e imparerai a interpretarli e spiegarli. Imparerai a creare grafici che mostrano come diverse variabili influenzano gli esiti del modello. Poi diagnosticherai i problemi dei modelli dovuti a underfitting dei dati o a relazioni nascoste tra variabili, e vedrai come correggerli iterativamente per ottenere risultati migliori.
3
GAM spaziali e interazioni
In questo capitolo estenderai i tipi di modelli che puoi adattare includendo interazioni tra più variabili. Adatterai modelli a dati geospaziali usando queste interazioni per rappresentare superfici complesse e visualizzerai tali superfici in 3D. Poi imparerai le interazioni tra variabili smooth e categoriche e come modellare interazioni tra variabili molto diverse, come spazio e tempo.
4
GAM logistici per la classificazione
Nei primi tre capitoli hai utilizzato i GAM per la regressione di esiti continui. In questo capitolo userai i GAM per la classificazione. Costruirai GAM logistici per prevedere esiti binari, come il comportamento d’acquisto dei clienti, imparerai a visualizzare questo nuovo tipo di modello, a fare previsioni e a spiegare le variabili che influenzano ciascuna previsione.
R
Modellazione non lineare con Generalized Additive Models (GAM) in R
Corso
completato
