After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
Generalized Additive Models는 예측과 추론 모두에 강력한 도구예요. 선형 모델보다 유연하고, 블랙박스 기법보다 이해하기 쉬운 GAM은 데이터를 다양한 유형의 데이터와 데이터 사이언스 문제에 맞게 고도로 적응하는 비선형 함수로 관계를 모델링합니다. 이 강의에서는 GAM이 어떻게 작동하는지와 인기 있는 mgcv 패키지로 GAM을 구성하는 방법을 배웁니다. 또한 모델 결과를 해석하고 설명하고 시각화하는 법, 그리고 모델 문제를 진단하고 수정하는 방법도 익힙니다. 자동차 성능 데이터로 선형과 비선형 효과를 혼합한 모델을 만들고, 토양 오염 데이터로 지리공간 모델을 구축하며, 소비자 구매 데이터로 분류와 예측을 수행하는 등 다양한 상황에 GAM을 적용하는 방법을 실습합니다. 강의를 마치면 여러 데이터 사이언스 문제를 해결할 수 있는 도구 상자를 갖추게 될 거예요.
사전 요구 사항
커리큘럼
코스 개요
1
Generalized Additive Models 소개
이 챕터에서는 Generalized Additive Models의 작동 원리와, 과적합 없이 유연한 비선형 함수를 사용해 데이터를 모델링하는 방법을 배웁니다. mgcv 패키지의 gam() 함수를 사용하고, 비선형·선형·범주형 효과를 혼합한 다변량 모델을 구축하는 방법도 익힙니다.
2
GAM 해석과 시각화
이 챕터에서는 1장에서 적합한 모델을 더 깊이 살펴보고, 이를 해석하고 설명하는 방법을 배웁니다. 변수들이 모델 결과에 어떤 영향을 미치는지 보여 주는 플롯을 만들고, 데이터의 과소적합이나 변수 간 숨은 관계로 인해 발생하는 모델 문제를 진단한 뒤, 그 문제를 반복적으로 개선해 더 나은 결과를 얻는 방법을 익힙니다.
3
공간 GAM과 상호작용
이 챕터에서는 여러 변수의 상호작용을 포함한 모델로 확장합니다. 이러한 상호작용을 사용해 복잡한 표면을 모델링하여 지리공간 데이터를 적합하고, 그 표면을 3D로 시각화합니다. 이어서 연속형 평활(smooth) 변수와 범주형 변수 사이의 상호작용, 공간과 시간처럼 매우 다른 변수 간 상호작용을 모델링하는 방법을 배웁니다.
4
분류를 위한 로지스틱 GAM
첫 세 장에서는 연속형 결과에 대한 회귀를 위해 GAM을 사용했습니다. 이 챕터에서는 분류에 GAM을 사용합니다. 이진 결과(예: 고객의 구매 여부)를 예측하는 로지스틱 GAM을 구축하고, 이 새로운 유형의 모델을 시각화하며, 예측을 수행하고, 각 예측에 영향을 미치는 변수를 설명하는 방법을 배웁니다.
R
R로 배우는 Generalized Additive Models (GAMs): 비선형 모델링
코스
완료
