Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Imagine poder trabalhar com dados em que a variável resposta é binária, de contagem ou aproximadamente normal, tudo dentro de um único framework. Pois é, você não precisa imaginar. Bem-vindo ao curso de Modelos Lineares Generalizados em Python! Neste curso, você vai ampliar sua caixa de ferramentas de regressão com os modelos logístico e de Poisson, aprendendo a ajustar, interpretar, avaliar o desempenho do modelo e, por fim, usar o modelo para fazer previsões em novos dados. Você vai praticar com dados de estudos do mundo real, como o maior envenenamento populacional da história, a nidificação de caranguejos-ferradura e a contagem de ciclistas nas pontes de Nova York.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Introdução aos GLMs
Revise modelos lineares e aprenda como GLMs são uma extensão do modelo linear para diferentes tipos de variáveis resposta. Você também vai aprender os blocos de construção dos GLMs e o processo técnico de ajuste de um GLM em Python.
- Indo além da regressão linear50 XP
- Aplicando modelos lineares50 XP
- Modelo linear, um caso especial de GLM100 XP
- Como construir um GLM?50 XP
- Tipo de dado e família de distribuição100 XP
- Modelo linear e uma variável resposta binária100 XP
- Comparando valores previstos100 XP
- Como ajustar um GLM em Python?50 XP
- Ajuste de modelo passo a passo100 XP
- Resultados do ajuste do modelo usando summary()100 XP
- Extraindo estimativas de parâmetros100 XP
2
Modelagem de Dados Binários
Este capítulo foca na regressão logística. Você vai aprender sobre a estrutura de dados binários, a função de ligação logit, o ajuste do modelo, além de como interpretar os coeficientes, fazer inferência e avaliar o desempenho do modelo.
3
Modelagem de Dados de Contagem
Aqui você vai aprender sobre regressão de Poisson, incluindo a discussão sobre dados de contagem, a distribuição de Poisson e a interpretação do ajuste do modelo. Você também vai aprender a contornar problemas de sobredispersão. Por fim, você terá prática com o processo de visualização de modelos.
4
Regressão Logística Multivariável
No capítulo final, você vai aprender a aumentar a complexidade do seu modelo adicionando mais de uma variável explicativa. Você vai praticar com o problema de multicolinearidade e com o tratamento de variáveis categóricas e termos de interação no seu modelo.
Modelos Lineares Generalizados em Python
Curso
concluído
