After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Jednym z głównych celów każdego badacza jest znajdowanie wzorców w danych i budowanie modeli, które pozwalają je opisywać, przewidywać i wyciągać z nich wnioski. Najbardziej podstawowym z tych wzorców jest liniowa zależność między dwiema zmiennymi. Ten kurs stanowi wprowadzenie do eksploracji, kwantyfikacji i modelowania zależności liniowych w danych – z wykorzystaniem technik takich jak metoda najmniejszych kwadratów, regresja liniowa, estymacja oraz bootstrap. Nauczysz się korzystać z najpotężniejszych narzędzi do modelowania dostępnych w ekosystemie Pythona dla data science, w tym scipy, statsmodels i scikit-learn, aby budować i oceniać modele liniowe. Dzięki połączeniu teorii z praktyką kurs stanowi zarówno solidne wprowadzenie do modelowania, jak i fundament do nauki bardziej zaawansowanych technik w statystyce i uczeniu maszynowym.
Wymagania wstępne
Program kursu
Plan kursu
1
Eksploracja trendów liniowych
Kurs zaczynamy od eksploracji zależności liniowych – poznasz motywujące przykłady zastosowań modeli liniowych oraz metody wizualizacji danych z biblioteki matplotlib. Następnie skorzystasz ze statystyk opisowych, aby scharakteryzować kształt danych, oraz z korelacji, aby zmierzyć siłę zależności liniowych między dwiema zmiennymi.
- Wprowadzenie do modelowania danych50 XP
- Zastosowania modelowania: interpolacja100 XP
- Zastosowania modelowania: ekstrapolacja100 XP
- Po co tworzymy modele: szacowanie zależności100 XP
- Wizualizacja zależności liniowych50 XP
- Wizualizacja danych100 XP
- Nanoszenie modelu na wykres danych100 XP
- Wizualne szacowanie nachylenia i punktu przecięcia100 XP
- Kwantyfikowanie zależności liniowych50 XP
- Średnia, odchylenie i odchylenie standardowe100 XP
- Kowariancja a korelacja100 XP
- Siła korelacji100 XP
2
Budowanie modeli liniowych
W tym rozdziale przyjrzymy się elementom składającym się na model liniowy. Korzystając z koncepcji szeregu Taylora, skupimy się na parametrach – nachyleniu i przecięciu z osią – oraz na tym, jak definiują one model i jak je interpretować w różnych zastosowaniach praktycznych. Użyjemy różnych modułów Pythona, aby znaleźć model najlepiej dopasowany do danych, obliczając optymalne wartości tych parametrów metodą najmniejszych kwadratów, z użyciem numpy, statsmodels i scikit-learn.
3
Prognozowanie za pomocą modeli
Teraz zastosujemy modele do rzeczywistych danych i będziemy formułować prognozy. Poznasz najczęstsze pułapki i ograniczenia prognozowania, a także nauczysz się oceniać i porównywać modele, mierząc ich dopasowanie za pomocą takich wskaźników jak RMSE i R-kwadrat.
4
Estymacja parametrów modelu
W ostatnim rozdziale wprowadzamy pojęcia ze statystyki wnioskowania i pokazujemy, jak estymacja metodą największej wiarygodności oraz bootstrap mogą służyć do szacowania parametrów modelu liniowego. Następnie zastosujemy te metody, aby formułować probabilistyczne stwierdzenia dotyczące pewności co do wartości parametrów modelu.
Wprowadzenie do modelowania liniowego w Pythonie
Kurs
ukończony
