Build your ultimate AI agent
Cursusbeschrijving
In deze cursus leer je modelleren met data. Modellen proberen de relatie vast te leggen tussen een uitkomstvariabele en een reeks verklarende/voorspellende variabelen. Zulke modellen kun je zowel gebruiken om te verklaren, bijv. "Helpt de leeftijd van docenten om hun onderwijsevaluatiescores te verklaren?", als om te voorspellen, bijv. "Hoe goed kunnen we de prijs van een huis voorspellen op basis van de grootte en staat?" Je zet je tidyverse-vaardigheden in om dit soort modellen te bouwen en te interpreteren. In deze cursus staat lineaire regressie centraal, een van de meest gebruikte en makkelijk te begrijpen manieren van modelleren. Dit soort modelleren en denkwijze wordt in uiteenlopende vakgebieden gebruikt, zoals statistiek, causale inferentie, Machine Learning en kunstmatige intelligentie.
Vereisten
Curriculum
Cursusoverzicht
1
Introductie tot modelleren
In dit hoofdstuk maak je kennis met achtergrondtheorie en terminologie rond modelleren, in het bijzonder het algemene modelleringskader, het verschil tussen modelleren om te verklaren en modelleren om te voorspellen, en het modelleringsprobleem. Daarnaast begin je met je eerste verkennende data-analyse, een cruciale eerste stap vóór je formeel gaat modelleren.
- Achtergrond bij modelleren voor uitleg50 XP
- Verkennende visualisatie van leeftijd100 XP
- Numerieke samenvattingen van leeftijd100 XP
- Achtergrond over modelleren voor voorspelling50 XP
- Exploratieve visualisatie van huisgrootte100 XP
- Log10-transformatie van huisoppervlak100 XP
- Het modelleringsprobleem voor uitleg50 XP
- EDA van de relatie tussen onderwijsscores en "beauty"-scores100 XP
- Correlatie tussen lesgeven en "beauty"-scores100 XP
- Het modelleringsprobleem voor voorspelling50 XP
- EDA van de relatie tussen huizenprijs en waterfront100 XP
- Huizenprijs voorspellen met waterfront100 XP
2
Modelleren met basale regressie
Met je begrip van het algemene modelleringskader op zak behandelen we in dit hoofdstuk basis-lineaire regressie, waarbij je het eenvoudig houdt en de uitkomstvariabele y modelleert als een functie van één enkele verklarende/voorspellende variabele x. We gebruiken zowel numerieke als categorische x-variabelen. De uitkomstvariabele in dit hoofdstuk is de onderwijsevaluatiescore van docenten aan de University of Texas, Austin.
3
Modelleren met multiple regressie
In het vorige hoofdstuk leerde je over basale regressie met één numerieke of één categorische voorspeller. Maar waarom zouden we ons beperken tot slechts één variabele voor je verklaringen/voorspellingen? Je breidt nu basale regressie uit naar multiple regressie, waarmee je meer dan één verklarende of voorspellende variabele in je modellen kunt opnemen. Je modelleert woningprijzen met een gegevensset van huizen in het grootstedelijk gebied van Seattle, WA.
4
Modelbeoordeling en -selectie
In de vorige hoofdstukken heb je verschillende modellen gefit om een uitkomstvariabele te verklaren of te voorspellen. Maar hoe weten we welke modellen we moeten kiezen? Maten voor modelbeoordeling laten je zien hoe goed een verklarend model op een dataset "past" of hoe nauwkeurig een voorspellend model is. Op basis van deze maten leer je over criteria om te bepalen welke modellen "het best" zijn.
R
Modelleren met data in de Tidyverse
Cursus
voltooid
