După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
Descrierea cursului
Îți poți imagina că lucrezi cu date în care variabila răspuns poate fi binară, de tip număr întreg sau aproximativ normală – totul într-un singur cadru unificat? Nu mai trebuie să îți imaginezi. Intră în cursul Modele Liniare Generalizate în Python! În acest curs îți vei extinde setul de instrumente pentru regresie cu modelele logistic și Poisson, învățând cum să ajustezi modele, să le înțelegi, să evaluezi performanța și să faci predicții pe date noi. Vei exersa folosind date din studii reale, precum cel mai mare caz de otrăvire în masă din istoria lumii, cuibăritul crabilor potcoavă și numărarea traversărilor podurilor din New York City cu bicicleta.
Cerințe prealabile
Programă
Planul cursului
1
Introducere în MLG
Recapitulezi modelele liniare și înveți cum MLG-urile reprezintă o extensie a modelului liniar pentru diferite tipuri de variabile răspuns. Vei descoperi, de asemenea, elementele fundamentale ale MLG-urilor și procesul tehnic de ajustare a unui MLG în Python.
- Dincolo de regresia liniară50 XP
- Aplicarea modelelor liniare50 XP
- Modelul liniar, un caz special al GLM100 XP
- Cum se construiește un GLM?50 XP
- Tipul de date și familia de distribuție100 XP
- Modelul liniar și o variabilă răspuns binară100 XP
- Compararea valorilor prezise100 XP
- Cum se ajustează un GLM în Python?50 XP
- Ajustarea modelului pas cu pas100 XP
- Rezultatele ajustării modelului folosind summary()100 XP
- Extragerea estimărilor parametrilor100 XP
2
Modelarea Datelor Binare
Acest capitol se concentrează pe regresia logistică. Vei învăța despre structura datelor binare, funcția de legătură logit, ajustarea modelului, interpretarea coeficienților, inferența statistică și evaluarea performanței modelului.
3
Modelarea Datelor de Numărare
Aici vei învăța despre regresia Poisson, inclusiv date de numărare, distribuția Poisson și interpretarea modelului ajustat. Vei descoperi și cum să rezolvi problemele de supradispersie. În final, vei dobândi experiență practică în vizualizarea modelelor.
4
Regresie Logistică Multivariabilă
În acest capitol final vei învăța cum să crești complexitatea modelului adăugând mai multe variabile explicative. Vei exersa cu problema multicoliniarității și cu tratarea termenilor categoriali și a interacțiunilor din model.
Modele Liniare Generalizate în Python
Curs
finalizat
