After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
W tym kursie nauczysz się modelować dane. Modele służą do opisywania zależności między interesującą nas zmienną wynikową a zestawem zmiennych objaśniających lub predyktorów. Można je wykorzystywać zarówno do celów wyjaśniających – np. „Czy wiek wykładowców pomaga wyjaśnić ich oceny dydaktyczne?" – jak i predykcyjnych – np. „Jak dobrze można przewidzieć cenę domu na podstawie jego powierzchni i stanu technicznego?". Wykorzystasz swoje umiejętności z zakresu tidyverse do budowania i interpretacji takich modeli. Kurs koncentruje się na regresji liniowej – jednym z najczęściej stosowanych i najłatwiejszych do zrozumienia podejść do modelowania. Tego rodzaju myślenie i metody są szeroko stosowane w wielu dziedzinach, w tym w statystyce, wnioskowaniu przyczynowym, uczeniu maszynowym i sztucznej inteligencji.
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do modelowania
Ten rozdział wprowadzi cię w podstawy teorii i terminologii modelowania – omówimy ogólne ramy modelowania, różnicę między modelowaniem wyjaśniającym a predykcyjnym oraz problem modelowania. Zaczniesz też przeprowadzać pierwszą eksploracyjną analizę danych, która jest kluczowym krokiem przed przystąpieniem do właściwego modelowania.
- Podstawy modelowania w celach wyjaśniających50 XP
- Eksploracyjna wizualizacja zmiennej age100 XP
- Statystyki opisowe zmiennej age100 XP
- Wprowadzenie do modelowania predykcyjnego50 XP
- Wizualizacja eksploracyjna wielkości domów100 XP
- Transformacja log10 wielkości domu100 XP
- Problem modelowania w kontekście wyjaśniania50 XP
- EDA zależności między oceną nauczania a oceną „urody"100 XP
- Korelacja między oceną nauczania a oceną „urody"100 XP
- Problem modelowania w kontekście predykcji50 XP
- EDA zależności między ceną domu a widokiem na wodę100 XP
- Przewidywanie ceny domu z widokiem na wodę100 XP
2
Modelowanie z użyciem regresji prostej
Znając już ogólne ramy modelowania, w tym rozdziale zajmiemy się prostą regresją liniową. Uprościmy sprawę i będziemy modelować zmienną wynikową y jako funkcję jednej zmiennej objaśniającej lub predyktora x – zarówno numerycznego, jak i kategorycznego. Zmienną wynikową w tym rozdziale będą oceny dydaktyczne wykładowców Uniwersytetu Teksańskiego w Austin.
3
Modelowanie z użyciem regresji wielokrotnej
W poprzednim rozdziale poznałeś regresję prostą z jednym predyktorem – numerycznym lub kategorycznym. Po co jednak ograniczać się do jednej zmiennej? Teraz rozszerzymy regresję prostą do regresji wielokrotnej, która pozwala uwzględnić więcej niż jedną zmienną objaśniającą lub jeden predyktor. Do modelowania cen domów wykorzystasz zbiór danych z obszaru metropolitalnego Seattle w stanie Waszyngton.
4
Ocena i wybór modelu
W poprzednich rozdziałach dopasowywałeś różne modele, aby wyjaśniać lub przewidywać interesującą nas zmienną wynikową. Skąd jednak wiadomo, który model wybrać? Miary oceny modelu pozwalają sprawdzić, jak dobrze model wyjaśniający „dopasowuje się" do danych oraz jak trafne są prognozy modelu predykcyjnego. Na ich podstawie poznasz kryteria wyboru „najlepszych" modeli.
R
Modelowanie danych w Tidyverse
Kurs
ukończony
