After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
반응 변수가 이진형이거나, 개수형이거나, 혹은 대략 정규 분포를 따를 때까지를 하나의 틀로 다룰 수 있다면 어떨까요? 상상만 할 필요는 없습니다. 바로 Python으로 배우는 Generalized Linear Models 코스로 시작해 보세요! 이 코스에서는 회귀 도구 상자를 확장해 로지스틱과 Poisson 모델을 학습하고, 적합하는 방법, 결과를 해석하는 방법, 모델 성능을 평가하는 방법, 그리고 최종적으로 새 데이터에 예측을 적용하는 방법을 익히게 됩니다. 세계 역사상 최대 규모의 인구 중독 사례, 말굽게의 산란, 뉴욕시 다리의 자전거 횡단 수 등 실제 연구 데이터를 사용해 실습해 볼 거예요.
사전 요구 사항
커리큘럼
코스 개요
1
GLM 소개
선형 모델을 복습하고, 서로 다른 유형의 반응 변수에 맞춰 선형 모델을 확장한 GLM의 개념을 배웁니다. 또한 GLM의 구성 요소와 Python에서 GLM을 적합하는 기술적 절차도 익히게 됩니다.
2
이진 데이터 모델링
이 장은 로지스틱 회귀에 초점을 맞춥니다. 이진 데이터의 구조, logit 링크 함수, 모델 적합 방법을 배우고, 모수 해석, 추론, 모델 성능 평가 방법까지 익히게 됩니다.
3
개수 데이터 모델링
이 장에서는 Poisson 회귀를 다루며, 개수 데이터와 Poisson 분포, 그리고 모델 적합 결과 해석을 학습합니다. 과산포 문제를 극복하는 방법도 알아봅니다. 마지막으로 모델을 시각화하는 실습을 진행합니다.
4
다변량 로지스틱 회귀
마지막 장에서는 하나 이상의 설명 변수를 추가해 모델의 복잡도를 높이는 방법을 배웁니다. 다중공선성 문제를 다뤄 보고, 범주형 변수와 상호작용 항을 모델에 포함하는 방법을 연습합니다.
Python으로 배우는 Generalized Linear Models
코스
완료
