After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Modelele aditive generalizate sunt un instrument puternic atât pentru predicție, cât și pentru inferență. Mai flexibile decât modelele liniare și mai ușor de înțeles decât metodele de tip „cutie neagră", GAMs modelează relațiile din date prin funcții neliniare, adaptabile la tipuri variate de date și probleme de știința datelor. În acest curs, vei învăța cum funcționează GAMs și cum să le construiești cu popularul pachet mgcv. Vei învăța să interpretezi, să explici și să vizualizezi rezultatele modelului, precum și să diagnostichezi și să corectezi problemele acestuia. Vei lucra cu seturi de date care îți vor arăta cum să aplici GAMs în situații variate: date despre performanța automobilelor pentru construirea de modele mixte liniare și neliniare, date despre poluarea solului pentru modele geospațiale și date despre achizițiile consumatorilor pentru clasificare și predicție. La finalul cursului, vei avea un set de instrumente pentru rezolvarea multor probleme de știința datelor.
Cerințe prealabile
Curriculum
Structura cursului
1
Introducere în Generalized Additive Models
În acest capitol, vei învăța cum funcționează modelele aditive generalizate și cum să folosești funcții flexibile, neliniare pentru a modela date fără a le supraajusta. Vei învăța să utilizezi funcția gam() din pachetul mgcv și cum să construiești modele multivariabile care combină efecte neliniare, liniare și categoriale.
- Introducere50 XP
- Date despre accidente de motocicletă: abordare liniară100 XP
- Date despre accidente de motocicletă: abordare neliniară100 XP
- Componentele unei funcții neliniare100 XP
- Funcții de bază și netezire50 XP
- Setarea complexității modelului pentru date motocicletă100 XP
- Utilizarea parametrilor de netezire pentru a evita supraajustarea100 XP
- Complexitate și netezire împreună100 XP
- GAM-uri multivariate50 XP
- GAM-uri multivariate pentru performanța auto100 XP
- Adăugarea variabilelor categorice în modelul de performanță auto100 XP
- Funcții de netezire la nivel de categorie pentru diferite tipuri de automobile100 XP
2
Interpretarea și vizualizarea GAMs
În acest capitol, vei examina mai îndeaproape modelele ajustate în capitolul 1 și vei învăța cum să le interpretezi și să le explici. Vei învăța să creezi grafice care arată cum influențează diferitele variabile rezultatele modelului. Apoi vei diagnostica probleme apărute din subajustarea datelor sau din relații ascunse între variabile și vei afla cum să le corectezi iterativ pentru a obține rezultate mai bune.
3
GAMs spațiale și interacțiuni
În acest capitol, vei extinde tipurile de modele pe care le poți ajusta, incluzând interacțiuni între mai multe variabile. Vei ajusta modele pentru date geospațiale folosind aceste interacțiuni pentru a modela suprafețe complexe și le vei vizualiza în 3D. Apoi vei învăța despre interacțiunile dintre variabile netede și variabile categoriale, precum și cum să modelezi interacțiuni între variabile foarte diferite, cum ar fi spațiul și timpul.
4
GAMs logistice pentru clasificare
În primele trei capitole, ai folosit GAMs pentru regresia unor rezultate continue. În acest capitol, vei folosi GAMs pentru clasificare. Vei construi GAMs logistice pentru a prezice rezultate binare – cum ar fi comportamentul de achiziție al consumatorilor –, vei învăța să vizualizezi acest nou tip de model, să faci predicții și să explici variabilele care influențează fiecare predicție.
R
Modelare neliniară cu Generalized Additive Models (GAMs) în R
Curs
finalizat
