Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Generalized Additive Models zijn een krachtig hulpmiddel voor zowel voorspellen als inferentie. Ze zijn flexibeler dan lineaire modellen en beter te begrijpen dan black-boxmethoden. GAM's modelleren relaties in data als niet-lineaire functies die zich goed aanpassen aan verschillende soorten data en data science-vraagstukken. In deze cursus leer je hoe GAM's werken en hoe je ze opzet met het populaire mgcv-pakket. Je leert je modelresultaten interpreteren, uitleggen en visualiseren, en hoe je modelproblemen diagnosticeert en oplost. Je werkt met gegevenssets die laten zien hoe je GAM's toepast in uiteenlopende situaties: autoperformancedata voor het bouwen van gecombineerde lineaire en niet-lineaire modellen, bodemvervuilingsdata voor geospatiale modellen, en consumentenaankoopdata voor classificatie en voorspelling. Aan het einde van deze cursus heb je een gereedschapskist om veel data science-problemen op te lossen.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot Generalized Additive Models
In dit hoofdstuk leer je hoe Generalized Additive Models werken en hoe je flexibele, niet-lineaire functies gebruikt om data te modelleren zonder overfitting. Je leert de functie gam() in het mgcv-pakket gebruiken en hoe je multivariate modellen bouwt die niet-lineaire, lineaire en categorische effecten combineren.
- Introductie50 XP
- Motorrijongeluk-data: lineaire aanpak100 XP
- Motorongelukgegevens: niet-lineaire aanpak100 XP
- Onderdelen van een niet-lineaire functie100 XP
- Basisfuncties en smoothing50 XP
- Complexiteit van het motorfietsmodel instellen100 XP
- Smoothingparameters gebruiken om overfitting te voorkomen100 XP
- Complexiteit en smoothing samen100 XP
- Multivariate GAM's50 XP
- Multivariate GAM's voor autoperformance100 XP
- Categorische variabelen toevoegen aan het model voor autoprestaties100 XP
- Categoriegebonden smooths voor verschillende autotypes100 XP
2
GAM's interpreteren en visualiseren
In dit hoofdstuk kijk je nauwkeuriger naar de modellen die je in hoofdstuk 1 hebt gefit en leer je ze interpreteren en uitleggen. Je leert grafieken maken die laten zien hoe verschillende variabelen de modeluitkomsten beïnvloeden. Daarna diagnosticeer je problemen in modellen die voortkomen uit underfitting of verborgen relaties tussen variabelen, en leer je hoe je die iteratief oplost om betere resultaten te krijgen.
3
Ruimtelijke GAM's en interacties
In dit hoofdstuk breid je de soorten modellen die je kunt fitten uit naar die met interacties tussen meerdere variabelen. Je fitt modellen van geospatiale data door deze interacties te gebruiken om complexe oppervlakken te modelleren, en je visualiseert die oppervlakken in 3D. Daarna leer je over interacties tussen gladde en categorische variabelen, en hoe je interacties modelleert tussen heel verschillende variabelen zoals ruimte en tijd.
4
Logistische GAM's voor classificatie
In de eerste drie hoofdstukken gebruikte je GAM's voor regressie van continue uitkomsten. In dit hoofdstuk gebruik je GAM's voor classificatie. Je bouwt logistische GAM's om binaire uitkomsten te voorspellen, zoals het koopgedrag van klanten, leert dit nieuwe type model te visualiseren, maakt voorspellingen en leert uit te leggen welke variabelen elke voorspelling beïnvloeden.
R
Niet-lineaire modellering met Generalized Additive Models (GAM's) in R
Cursus
voltooid
