After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Представьте, что вы можете работать с данными, где зависимая переменная является бинарной, счётной или приближённо нормальной — и всё это в рамках единого подхода. Именно это предлагает курс «Обобщённые линейные модели в Python»! В ходе курса вы расширите свой арсенал регрессионных методов, освоив логистическую регрессию и регрессию Пуассона: научитесь строить модели, интерпретировать результаты, оценивать качество и применять модели для предсказания на новых данных. В качестве практики вы будете работать с реальными данными — в том числе о крупнейшем в истории массовом отравлении населения, гнездовании мечехвостов и подсчёте велосипедных переездов через мосты Нью-Йорка.
Предварительные требования
Программа
Структура курса
1
Введение в обобщённые линейные модели
Повторите основы линейных моделей и узнайте, как обобщённые линейные модели расширяют этот подход для различных типов зависимой переменной. Вы также изучите ключевые элементы обобщённых линейных моделей и технический процесс их построения в Python.
- За пределами линейной регрессии50 XP
- Применение линейных моделей50 XP
- Линейная модель как частный случай GLM100 XP
- Как построить GLM?50 XP
- Тип данных и семейство распределений100 XP
- Линейная модель и бинарная зависимая переменная100 XP
- Сравнение предсказанных значений100 XP
- Как построить GLM в Python?50 XP
- Пошаговое обучение модели100 XP
- Результаты подгонки модели с помощью summary()100 XP
- Извлечение оценок параметров100 XP
2
Моделирование бинарных данных
Эта глава посвящена логистической регрессии. Вы познакомитесь со структурой бинарных данных, логит-функцией связи, методами построения модели, а также научитесь интерпретировать коэффициенты, проводить статистический анализ и оценивать качество модели.
3
Моделирование счётных данных
В этой главе вы изучите регрессию Пуассона: рассмотрите природу счётных данных, распределение Пуассона и интерпретацию построенной модели. Кроме того, вы узнаете, как справляться с проблемой избыточного рассеяния, и получите практический опыт визуализации моделей.
4
Множественная логистическая регрессия
В завершающей главе вы научитесь усложнять модель, добавляя несколько объясняющих переменных. Вы поработаете с проблемой мультиколлинеарности, а также с категориальными переменными и взаимодействиями в модели.
Обобщённые линейные модели в Python
Курс
завершён
