Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Regresja liniowa i regresja logistyczna to dwa najszerzej stosowane modele statystyczne – stanowią klucz do odkrywania wzorców ukrytych w danych. Ten kurs rozszerza umiejętności zdobyte w kursie „Wprowadzenie do regresji w R" i obejmuje regresję liniową oraz logistyczną z wieloma zmiennymi objaśniającymi. Podczas praktycznych ćwiczeń zbadasz zależności między zmiennymi na przykładzie rzeczywistych zbiorów danych – cen nieruchomości na Tajwanie, modelowania rezygnacji klientów i nie tylko. Po ukończeniu kursu będziesz wiedzieć, jak uwzględniać wiele zmiennych objaśniających w modelu, jak interakcje między zmiennymi wpływają na prognozy oraz jak działają regresja liniowa i logistyczna.
Wymagania wstępne
Program nauczania
Plan kursu
1
Równoległe nachylenia
Rozszerz swoje umiejętności w zakresie regresji liniowej o regresję „równoległych nachyleń" – z jedną numeryczną i jedną kategoryczną zmienną objaśniającą. To pierwszy krok na drodze do opanowania wielorakiej regresji liniowej.
- Regresja liniowa z równoległymi prostymi50 XP
- Dopasowywanie regresji liniowej z równoległymi nachyleniami100 XP
- Interpretacja współczynników modelu równoległych nachyleń100 XP
- Wizualizacja każdej zmiennej objaśniającej100 XP
- Wizualizacja równoległych prostych100 XP
- Przewidywanie równoległych nachyleń50 XP
- Przewidywanie za pomocą modelu z równoległymi prostymi100 XP
- Ręczne obliczanie prognoz100 XP
- Ocena jakości modelu50 XP
- Porównywanie współczynników determinacji100 XP
- Porównywanie błędu standardowego reszt100 XP
2
Interakcje
Zbadaj wpływ interakcji między zmiennymi objaśniającymi. Uwzględnienie interakcji pozwala tworzyć bardziej realistyczne modele o lepszej sile predykcyjnej. Zmierzysz się również z paradoksem Simpsona – nieoczywistym zjawiskiem, które pojawia się przy pracy z wieloma zmiennymi objaśniającymi.
3
Wieloraka regresja liniowa
Przekonaj się, jak modelowanie – a w szczególności regresja liniowa – ułatwia pracę z więcej niż dwiema zmiennymi objaśniającymi. Po opanowaniu dopasowywania modeli regresji liniowej zaimplementujesz własny algorytm regresji liniowej.
4
Wieloraka regresja logistyczna
Rozszerz swoje umiejętności w zakresie regresji logistycznej o wiele zmiennych objaśniających. Poznasz rozkład logistyczny, który stanowi podstawę tego rodzaju regresji. Na koniec zaimplementujesz własny algorytm regresji logistycznej.
R
Regresja średnio zaawansowana w R
Kurs
ukończony
