Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Dados ausentes estão em toda parte. O processo de preencher valores ausentes é conhecido como imputação, e saber como preencher corretamente esses dados é uma habilidade essencial para produzir previsões precisas e se destacar. Neste curso, você vai aprender a usar visualizações e testes estatísticos para reconhecer padrões de ausência e como imputar dados usando um conjunto de modelos estatísticos e de Machine Learning. Você também vai desenvolver habilidades de tomada de decisão, ajudando a escolher qual método de imputação se ajusta melhor a cada situação. Por fim, você vai aprender a incorporar a incerteza da imputação nas suas inferências e previsões, tornando-as mais robustas e confiáveis.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
O problema dos dados ausentes
Neste capítulo, você vai entender por que dados ausentes podem representar um risco ao analisar um conjunto de dados. Você será apresentado aos três mecanismos de ausência de dados e aprenderá a reconhecê-los usando testes estatísticos e ferramentas de visualização.
- Dados ausentes: o que pode dar errado50 XP
- Regressão linear com dados incompletos100 XP
- Analisando a saída da regressão50 XP
- Comparando modelos100 XP
- Mecanismos de dados ausentes50 XP
- Reconhecendo mecanismos de dados ausentes100 XP
- teste t para MAR: preparação dos dados100 XP
- teste t para MAR: interpretação100 XP
- Visualizando padrões de dados ausentes50 XP
- Gráfico de agregação100 XP
- Gráfico spine100 XP
- Gráfico mosaico100 XP
2
Imputação baseada em doadores
Conheça a taxonomia dos métodos de imputação e aprenda três técnicas baseadas em doadores: imputação pela média, hot-deck e k-Nearest-Neighbors. Você vai abrir a caixa-preta para ver como esses métodos funcionam antes de aplicá-los a um conjunto de dados de clima tropical do mundo real. No caminho, também vai aprender truques úteis para fazê-los funcionar ainda melhor nos seus problemas.
3
Imputação baseada em modelos
Chegou a hora de aprender a usar modelos estatísticos e de Machine Learning, como regressão linear, regressão logística e random forests, para imputar dados ausentes. Neste capítulo, você vai explorar como os modelos fazem suas previsões e usar esse conhecimento para sortear os valores imputados de distribuições condicionais. Isso é importante porque garante que suas imputações sejam mais variadas e plausíveis, tornando-as mais próximas dos dados verdadeiros.
4
Incerteza na imputação
Valores imputados não são imutáveis. Eles são apenas estimativas, e estimativas vêm com incerteza. Neste capítulo final, você vai descobrir como o bootstrapping e as equações encadeadas com o pacote mice podem ser usados para incorporar a incerteza da imputação em seus modelos e análises, tornando-os mais confiáveis e robustos.
R
Tratamento de Dados Ausentes com Imputações em R
Curso
concluído
