Last chance: 50% off unlimited learning
Sale ends in
Descrierea cursului
Unul dintre principalele obiective ale oricărui om de știință este să identifice tipare în date și să construiască modele pentru a le descrie, prezice și interpreta. Cel mai fundamental dintre aceste tipare este relația liniară dintre două variabile. Acest curs oferă o introducere în explorarea, cuantificarea și modelarea relațiilor liniare din date, prezentând tehnici precum metoda celor mai mici pătrate, regresia liniară, estimarea și reesantionarea bootstrap. Vei aplica cele mai eficiente instrumente de modelare din ecosistemul Python pentru știința datelor, inclusiv scipy, statsmodels și scikit-learn, pentru a construi și evalua modele liniare. Explorând conceptele și aplicațiile modelelor liniare în Python, acest curs reprezintă atât o introducere practică în modelare, cât și o bază solidă pentru învățarea unor tehnici și instrumente mai avansate de modelare în statistică și machine learning.
Cerințe prealabile
Programă
Planul cursului
1
Explorarea tendințelor liniare
Cursul începe cu o explorare inițială a relațiilor liniare, incluzând exemple motivante despre cum sunt utilizate modelele liniare și demonstrații ale metodelor de vizualizare a datelor din matplotlib. Vom folosi apoi statistici descriptive pentru a cuantifica forma datelor și corelația pentru a măsura intensitatea relațiilor liniare dintre două variabile.
- Introducere în modelarea datelor50 XP
- Scopuri ale modelării: Interpolarea100 XP
- De ce modelăm: Extrapolarea100 XP
- Motive pentru modelare: estimarea relațiilor100 XP
- Vizualizarea relațiilor liniare50 XP
- Reprezentarea grafică a datelor100 XP
- Reprezentarea modelului pe date100 XP
- Estimarea vizuală a pantei și interceptului100 XP
- Cuantificarea relațiilor liniare50 XP
- Medie, Abatere și Deviație Standard100 XP
- Covarianță vs. Corelație100 XP
- Puterea corelației100 XP
2
Construirea modelelor liniare
Aici analizăm componentele care intră în construirea unui model liniar. Pornind de la conceptul de serie Taylor, ne concentrăm asupra parametrilor pantă și interceptare, asupra modului în care aceștia definesc modelul și asupra interpretării lor în diverse contexte aplicate. Aplicăm mai multe module Python pentru a găsi modelul care se potrivește cel mai bine datelor, calculând valorile optime ale pantei și interceptării folosind metoda celor mai mici pătrate, numpy, statsmodels și scikit-learn.
3
Realizarea predicțiilor cu modele
În continuare, vom aplica modele pe date reale și vom realiza predicții. Vom explora unele dintre cele mai frecvente capcane și limitări ale predicțiilor, iar modelele vor fi evaluate și comparate prin cuantificarea și contrastarea mai multor măsuri ale calității ajustării, inclusiv RMSE și R-pătrat.
4
Estimarea parametrilor modelului
În ultimul capitol, introducem concepte din statistica inferențială și le folosim pentru a explora modul în care estimarea prin maximum de verosimilitate și reesantionarea bootstrap pot fi utilizate pentru a estima parametrii unui model liniar. Aplicăm apoi aceste metode pentru a formula afirmații probabilistice despre încrederea noastră în parametrii modelului.
Introducere în modelarea liniară în Python
Curs
finalizat
