Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Wyobraź sobie, że możesz pracować z danymi, w których zmienna odpowiedzi jest binarna, zliczeniowa lub w przybliżeniu normalna – wszystko w jednym spójnym podejściu. Nie musisz tego sobie wyobrażać. Zapraszamy na kurs Uogólnione modele liniowe w Pythonie! W trakcie kursu rozszerzysz swój warsztat regresji o modele logistyczny i Poissona. Nauczysz się je dopasowywać, interpretować, oceniać ich skuteczność i wykorzystywać do prognozowania na nowych danych. Będziesz ćwiczyć na danych z prawdziwych badań – takich jak największe w historii zbiorowe zatrucie ludności, gniazdowanie krabów podkowiastych czy liczenie przejazdów rowerowych przez mosty w Nowym Jorku.
Wymagania wstępne
Program nauczania
Plan kursu
1
Wprowadzenie do GLM
Przypomnisz sobie modele liniowe i dowiesz się, jak uogólnione modele liniowe (GLM) rozszerzają klasyczny model liniowy na różne typy zmiennych odpowiedzi. Poznasz też elementy składowe GLM oraz techniczny proces dopasowywania GLM w Pythonie.
- Poza regresją liniową50 XP
- Zastosowanie modeli liniowych50 XP
- Model liniowy jako szczególny przypadek GLM100 XP
- Jak zbudować GLM?50 XP
- Typ danych i rodzina rozkładów100 XP
- Model liniowy a binarna zmienna odpowiedzi100 XP
- Porównanie wartości prognozowanych100 XP
- Jak dopasować GLM w Pythonie?50 XP
- Dopasowywanie modelu krok po kroku100 XP
- Wyniki dopasowania modelu za pomocą summary()100 XP
- Wyodrębnianie estymatorów parametrów100 XP
2
Modelowanie danych binarnych
Ten rozdział poświęcony jest regresji logistycznej. Dowiesz się, jak wygląda struktura danych binarnych, czym jest funkcja łącząca logit, jak dopasowywać model oraz jak interpretować jego współczynniki. Omówimy też wnioskowanie na podstawie modelu i ocenę jego skuteczności.
3
Modelowanie danych zliczeniowych
Tutaj poznasz regresję Poissona – w tym dane zliczeniowe, rozkład Poissona i interpretację dopasowanego modelu. Nauczysz się też radzić sobie z problemem nadmiernego rozproszenia. Na koniec zdobędziesz praktyczne doświadczenie w wizualizacji modeli.
4
Wielowymiarowa regresja logistyczna
W tym ostatnim rozdziale nauczysz się zwiększać złożoność modelu, dodając więcej niż jedną zmienną objaśniającą. Przećwiczysz rozwiązywanie problemu współliniowości oraz pracę ze zmiennymi kategorycznymi i członami interakcji w modelu.
Uogólnione modele liniowe w Pythonie
Kurs
ukończony
