After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Uogólnione modele addytywne to potężne narzędzie zarówno do predykcji, jak i wnioskowania. Bardziej elastyczne niż modele liniowe i bardziej zrozumiałe niż metody typu czarna skrzynka, GAM-y modelują zależności w danych jako nieliniowe funkcje, które świetnie sprawdzają się w różnych typach danych i zadań z zakresu data science. W tym kursie nauczysz się, jak działają GAM-y i jak budować je za pomocą popularnej biblioteki mgcv. Dowiesz się, jak interpretować, objaśniać i wizualizować wyniki modeli, a także jak diagnozować i naprawiać ich problemy. Będziesz pracować z różnorodnymi zbiorami danych: danymi o osiągach samochodów do budowania mieszanych modeli liniowych i nieliniowych, danymi o zanieczyszczeniu gleby do modelowania przestrzennego oraz danymi o zakupach konsumentów do klasyfikacji i predykcji. Po ukończeniu kursu będziesz dysponować zestawem narzędzi do rozwiązywania wielu problemów z zakresu data science.
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do uogólnionych modeli addytywnych
W tym rozdziale dowiesz się, jak działają uogólnione modele addytywne i jak używać elastycznych, nieliniowych funkcji do modelowania danych bez nadmiernego dopasowania. Nauczysz się korzystać z funkcji gam() z biblioteki mgcv oraz budować modele wielowymiarowe łączące efekty nieliniowe, liniowe i kategoryczne.
- Wprowadzenie50 XP
- Dane z wypadku motocyklowego: podejście liniowe100 XP
- Dane o wypadku motocyklowym: podejście nieliniowe100 XP
- Składowe funkcji nieliniowej100 XP
- Funkcje bazowe i wygładzanie50 XP
- Ustawianie złożoności modelu dla danych motorcycle100 XP
- Parametry wygładzania a unikanie przeuczenia100 XP
- Złożoność i wygładzanie razem100 XP
- Wielowymiarowe GAM50 XP
- Wielowymiarowe GAM dla osiągów samochodów100 XP
- Dodawanie zmiennych kategorycznych do modelu osiągów samochodów100 XP
- Wygładzenia na poziomie kategorii dla różnych typów samochodów100 XP
2
Interpretacja i wizualizacja GAM-ów
W tym rozdziale przyjrzysz się bliżej modelom zbudowanym w rozdziale 1 i nauczysz się je interpretować oraz objaśniać. Dowiesz się, jak tworzyć wykresy pokazujące wpływ poszczególnych zmiennych na wyniki modelu. Następnie zdiagnozujesz problemy wynikające z niedopasowania danych lub ukrytych zależności między zmiennymi, a także nauczysz się iteracyjnie je naprawiać i uzyskiwać lepsze wyniki.
3
Przestrzenne GAM-y i interakcje
W tym rozdziale rozszerzysz repertuar budowanych modeli o takie, które uwzględniają interakcje między wieloma zmiennymi. Dopasowujesz modele do danych geoprzestrzennych, używając tych interakcji do modelowania złożonych powierzchni, i wizualizujesz je w trzech wymiarach. Następnie poznasz interakcje między zmiennymi gładkimi a kategorycznymi oraz nauczysz się modelować interakcje między bardzo różnymi zmiennymi, takimi jak przestrzeń i czas.
4
Logistyczne GAM-y do klasyfikacji
W pierwszych trzech rozdziałach używałeś GAM-ów do regresji zmiennych ciągłych. W tym rozdziale zastosujesz GAM-y do klasyfikacji. Zbudujesz logistyczne GAM-y do przewidywania wyników binarnych – takich jak decyzje zakupowe klientów – nauczysz się wizualizować ten nowy typ modelu, wykonywać predykcje i objaśniać zmienne wpływające na każdą z nich.
R
Nieliniowe modelowanie z użyciem uogólnionych modeli addytywnych (GAM) w R
Kurs
ukończony
