Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Generalized Additive Models são uma ferramenta poderosa tanto para predição quanto para inferência. Mais flexíveis que modelos lineares e mais fáceis de entender que métodos de caixa‑preta, os GAMs modelam relações nos dados como funções não lineares altamente adaptáveis a diferentes tipos de dados e problemas de ciência de dados. Neste curso, você vai aprender como os GAMs funcionam e como construí-los com o popular pacote mgcv. Você aprenderá a interpretar, explicar e visualizar os resultados do seu modelo, além de diagnosticar e corrigir problemas de modelagem. Você trabalhará com conjuntos de dados que vão mostrar como aplicar GAMs a várias situações: dados de desempenho de automóveis para construir modelos que misturam efeitos lineares e não lineares, dados de poluição do solo para construir modelos geoespaciais e dados de compras de consumidores para classificação e predição. Ao final do curso, você terá um conjunto de ferramentas para resolver muitos problemas de ciência de dados.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Introdução a Generalized Additive Models
Neste capítulo, você vai aprender como Generalized Additive Models funcionam e como usar funções flexíveis e não lineares para modelar dados sem overfitting. Você vai aprender a usar a função gam() do pacote mgcv e a construir modelos multivariados que combinam efeitos não lineares, lineares e categóricos nos dados.
- Introdução50 XP
- Dados de acidentes de moto: abordagem linear100 XP
- Dados de acidente de motocicleta: abordagem não linear100 XP
- Partes de uma função não linear100 XP
- Funções base e suavização50 XP
- Definindo a complexidade do modelo da motocicleta100 XP
- Usando parâmetros de suavização para evitar overfitting100 XP
- Complexidade e suavização juntas100 XP
- GAMs multivariados50 XP
- GAMs multivariados de desempenho de automóveis100 XP
- Adicionando variáveis categóricas ao modelo de desempenho do carro100 XP
- Suavizações por categoria para diferentes tipos de automóveis100 XP
2
Interpretando e Visualizando GAMs
Neste capítulo, você vai analisar mais de perto os modelos que ajustou no capítulo 1 e aprender a interpretá-los e explicá-los. Você aprenderá a criar gráficos que mostram como diferentes variáveis afetam os resultados do modelo. Depois, você vai diagnosticar problemas nos modelos decorrentes de underfitting dos dados ou de relações ocultas entre variáveis, e aprender como corrigir esses problemas de forma iterativa para obter resultados melhores.
3
GAMs Espaciais e Interações
Neste capítulo, você vai ampliar os tipos de modelos que pode ajustar para incluir interações entre múltiplas variáveis. Você ajustará modelos com dados geoespaciais usando essas interações para modelar superfícies complexas e visualizar essas superfícies em 3D. Em seguida, você vai conhecer interações entre variáveis suaves e categóricas e aprender a modelar interações entre variáveis bem diferentes, como espaço e tempo.
4
GAMs Logísticos para Classificação
Nos três primeiros capítulos, você usou GAMs para regressão de resultados contínuos. Neste capítulo, você usará GAMs para classificação. Você vai construir GAMs logísticos para prever desfechos binários, como o comportamento de compra de clientes, aprender a visualizar esse novo tipo de modelo, fazer previsões e entender como explicar as variáveis que influenciam cada predição.
R
Modelagem Não Linear com Generalized Additive Models (GAMs) em R
Curso
concluído
