Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Neste curso, você vai aprender a modelar com dados. Modelos tentam capturar a relação entre uma variável de interesse (desfecho) e uma série de variáveis explicativas/preditoras. Esses modelos podem ser usados tanto para fins explicativos, por exemplo, "Saber a idade dos professores ajuda a explicar suas notas de avaliação de ensino?", quanto para fins preditivos, por exemplo, "Quão bem conseguimos prever o preço de uma casa com base no seu tamanho e condição?" Você vai aproveitar suas habilidades com o tidyverse para construir e interpretar esses modelos. Este curso é centrado no uso de regressão linear, uma das abordagens de modelagem mais usadas e fáceis de entender. Esse tipo de modelagem e pensamento é usado em diversas áreas, incluindo estatística, inferência causal, Machine Learning e inteligência artificial.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Introdução à modelagem
Este capítulo vai apresentar a você algumas bases teóricas e termos de modelagem, em particular o arcabouço geral de modelagem, a diferença entre modelar para explicar e modelar para prever, e o problema de modelagem. Além disso, você vai começar sua primeira análise exploratória de dados, uma etapa crucial antes de qualquer modelagem formal.
- Fundamentos de modelagem para explicação50 XP
- Visualização exploratória de age100 XP
- Resumos numéricos de idade100 XP
- Fundamentos de modelagem para predição50 XP
- Visualização exploratória do tamanho das casas100 XP
- Transformação log10 do tamanho da casa100 XP
- O problema de modelagem para explicação50 XP
- EDA da relação entre notas de avaliação e "beleza"100 XP
- Correlação entre notas de ensino e pontuações de "beleza"100 XP
- O problema de modelagem para previsão50 XP
- EDA da relação entre preço de casa e beira-mar100 XP
- Prevendo o preço de casas com vista para o mar100 XP
2
Modelagem com regressão básica
Com o entendimento do arcabouço geral de modelagem, neste capítulo vamos abordar a regressão linear básica, em que você mantém as coisas simples e modela a variável de desfecho y como função de uma única variável explicativa/predictora x. Usaremos tanto variáveis x numéricas quanto categóricas. A variável de desfecho de interesse neste capítulo será a nota de avaliação de ensino de instrutores da University of Texas, Austin.
3
Modelagem com regressão múltipla
No capítulo anterior, você aprendeu sobre regressão básica usando um único preditor numérico ou categórico. Mas por que nos limitar a usar apenas uma variável para embasar suas explicações/previsões? Agora você vai estender a regressão básica para a regressão múltipla, que permite incorporar mais de uma variável explicativa ou preditora nos modelos. Você vai modelar preços de casas usando um conjunto de dados de residências na região metropolitana de Seattle, WA.
4
Avaliação e seleção de modelos
Nos capítulos anteriores, você ajustou vários modelos para explicar ou prever uma variável de desfecho de interesse. Porém, como saber quais modelos escolher? Medidas de avaliação de modelos permitem verificar o quão bem um modelo explicativo "se ajusta" a um conjunto de dados ou quão preciso é um modelo preditivo. Com base nessas medidas, você vai aprender critérios para determinar quais modelos são os "melhores".
R
Modelagem com dados no Tidyverse
Curso
concluído
