Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Stel je voor dat je kunt werken met data waarbij de responsvariabele binair, een telling of ongeveer normaal verdeeld is — allemaal binnen één kader. Dat hoef je je niet meer voor te stellen. Maak kennis met de cursus Generalized Linear Models in Python! In deze cursus breid je je regressietoolbox uit met logistische en Poisson-modellen. Je leert hoe je een model fit, begrijpt, de modelprestatie beoordeelt en het model uiteindelijk gebruikt om voorspellingen te doen op nieuwe data. Je oefent met data uit echte studies, zoals de grootste massavergiftiging uit de wereldgeschiedenis, het nestelen van de Atlantische haastkrab en het tellen van fietsers op de bruggen in New York City.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot GLM's
Herhaal lineaire modellen en leer hoe GLM's een uitbreiding zijn op het lineaire model voor verschillende typen responsvariabelen. Je leert ook de bouwstenen van GLM's en het technische proces van het fitten van een GLM in Python.
- Verder dan lineaire regressie50 XP
- Lineaire modellen toepassen50 XP
- Lineair model, een speciaal geval van GLM100 XP
- Hoe bouw je een GLM?50 XP
- Datatype en verdelingsfamilie100 XP
- Lineair model en een binaire responsvariabele100 XP
- Voorspelde waarden vergelijken100 XP
- Hoe pas je een GLM in Python?50 XP
- Model stap voor stap fitten100 XP
- Resultaten van de modelfit met summary()100 XP
- Parameterinschattingen extraheren100 XP
2
Binaire data modelleren
Dit hoofdstuk richt zich op logistische regressie. Je leert over de structuur van binaire data, de logit-koppeling, het fitten van modellen, en hoe je modelcoëfficiënten interpreteert, inferentie uitvoert en de modelprestatie beoordeelt.
3
Tellingen modelleren
Hier leer je over Poisson-regressie, inclusief de bespreking van teldata, de Poissonverdeling en de interpretatie van de modelfit. Je leert ook hoe je omgaat met overdispersie. Tot slot ga je praktisch aan de slag met het visualiseren van modellen.
4
Multivariabele logistische regressie
In dit laatste hoofdstuk leer je de complexiteit van je model te verhogen door meer dan één verklarende variabele toe te voegen. Je oefent met het probleem van multicollineariteit en met het opnemen van categorische en interactietermen in je model.
Generalized Linear Models in Python
Cursus
voltooid
