Build your ultimate AI agent
Descrição do curso
Um dos principais objetivos de qualquer cientista é encontrar padrões nos dados e construir modelos para descrever, prever e extrair insights desses padrões. O mais fundamental desses padrões é a relação linear entre duas variáveis. Este curso apresenta uma introdução à exploração, quantificação e modelagem de relações lineares em dados, demonstrando técnicas como mínimos quadrados, regressão linear, estimação e bootstrap (reamostragem). Aqui você vai aplicar as ferramentas de modelagem mais poderosas do ecossistema de ciência de dados em Python, incluindo scipy, statsmodels e scikit-learn, para construir e avaliar modelos lineares. Ao explorar os conceitos e as aplicações de modelos lineares com Python, este curso serve tanto como uma introdução prática à modelagem quanto como base para aprender técnicas e ferramentas mais avançadas em estatística e Machine Learning.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Explorando Tendências Lineares
Começamos o curso com uma exploração inicial das relações lineares, incluindo alguns exemplos motivadores de como os modelos lineares são usados, e demonstrações de métodos de visualização de dados com matplotlib. Em seguida, usamos estatísticas descritivas para quantificar o formato dos dados e correlação para medir a força das relações lineares entre duas variáveis.
- Introdução à Modelagem de Dados50 XP
- Motivos para modelar: Interpolação100 XP
- Razões para modelar: Extrapolação100 XP
- Razões para Modelar: Estimando Relacionamentos100 XP
- Visualizando relações lineares50 XP
- Plotando os dados100 XP
- Plotando o modelo nos dados100 XP
- Estimando visualmente a inclinação e o intercepto100 XP
- Quantificando relações lineares50 XP
- Média, Desvio e Desvio Padrão100 XP
- Covariância vs Correlação100 XP
- Força da correlação100 XP
2
Construindo Modelos Lineares
Aqui analisamos os componentes que entram na construção de um modelo linear. Usando o conceito de Série de Taylor, focamos nos parâmetros inclinação e intercepto, como eles definem o modelo e como interpretá-los em vários contextos aplicados. Aplicamos diversos módulos de Python para encontrar o modelo que melhor se ajusta aos dados, calculando os valores ideais de inclinação e intercepto, usando mínimos quadrados, numpy, statsmodels e scikit-learn.
3
Fazendo Previsões com Modelos
Em seguida, vamos aplicar modelos a dados reais e fazer previsões. Exploraremos algumas das armadilhas e limitações mais comuns de previsões e vamos avaliar e comparar modelos quantificando e contrastando várias medidas de qualidade de ajuste, incluindo RMSE e R-quadrado.
4
Estimando Parâmetros do Modelo
No capítulo final, apresentamos conceitos de estatística inferencial e mostramos como a estimação por máxima verossimilhança e o bootstrap (reamostragem) podem ser usados para estimar parâmetros de modelos lineares. Em seguida, aplicamos esses métodos para fazer afirmações probabilísticas sobre nossa confiança nos parâmetros do modelo.
Introdução à Modelagem Linear em Python
Curso
concluído
