Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Een van de belangrijkste doelen van elke wetenschapper is patronen in gegevens vinden en modellen bouwen om die patronen te beschrijven, te voorspellen en er inzichten uit te halen. Het meest fundamentele patroon is een lineair verband tussen twee variabelen. Deze cursus is een introductie in het verkennen, kwantificeren en modelleren van lineaire relaties in data, met technieken zoals kleinste kwadraten, lineaire regressie, schatting en bootstrap-resampling. Je past de krachtigste modelleertools in het Python-data science-ecosysteem toe, waaronder scipy, statsmodels en scikit-learn, om lineaire modellen te bouwen en te evalueren. Door de concepten en toepassingen van lineaire modellen met Python te verkennen, is deze cursus zowel een praktische introductie tot modelleren als een basis voor meer geavanceerde technieken en tools in statistiek en Machine Learning.
Vereisten
Lesprogramma
Cursusoverzicht
1
Lineaire trends verkennen
We starten de cursus met een eerste verkenning van lineaire relaties, inclusief enkele inspirerende voorbeelden van hoe lineaire modellen worden gebruikt, en demonstraties van gegevensvisualisatie met matplotlib. Daarna gebruiken we beschrijvende statistiek om de vorm van onze data te kwantificeren en correlatie om de sterkte van lineaire relaties tussen twee variabelen te meten.
- Introductie tot het modelleren van data50 XP
- Redenen om te modelleren: interpolatie100 XP
- Redenen om te modelleren: extrapolatie100 XP
- Redenen om te modelleren: relaties schatten100 XP
- Lineaire relaties visualiseren50 XP
- De gegevens plotten100 XP
- Het model op de data plotten100 XP
- Visueel de helling en intercept schatten100 XP
- Lineaire verbanden kwantificeren50 XP
- Gemiddelde, afwijking & standaardafwijking100 XP
- Covariantie vs correlatie100 XP
- Sterkte van de correlatie100 XP
2
Lineaire modellen bouwen
Hier bekijken we de onderdelen die nodig zijn om een lineair model te bouwen. Met het concept van een Taylorreeks richten we ons op de parameters helling en intercept, hoe ze het model bepalen en hoe je ze in verschillende toepassingen interpreteert. We gebruiken diverse Python-modules om het model te vinden dat het best bij de data past, door de optimale waarden van helling en intercept te berekenen met kleinste kwadraten, numpy, statsmodels en scikit-learn.
3
Modelvoorspellingen maken
Vervolgens passen we modellen toe op echte data en maken we voorspellingen. We verkennen enkele veelvoorkomende valkuilen en beperkingen van voorspellen, en we evalueren en vergelijken modellen door meerdere maten voor goodness-of-fit te kwantificeren en te contrasteren, waaronder RMSE en R-squared.
4
Modelparameters schatten
In het laatste hoofdstuk introduceren we concepten uit de inferentiële statistiek en gebruiken we die om te onderzoeken hoe maximum likelihood-schatting en bootstrap-resampling kunnen worden ingezet om parameters van lineaire modellen te schatten. Vervolgens passen we deze methoden toe om probabilistische uitspraken te doen over ons vertrouwen in de modelparameters.
Introductie tot lineaire modellering in Python
Cursus
voltooid
