Name: Введение в линейное моделирование на Python
Rating: 4.755458515283843 (229 reviews)

Описание курса

Одна из главных задач любого исследователя — находить закономерности в данных и строить модели для их описания, прогнозирования и интерпретации. Наиболее фундаментальная из таких закономерностей — линейная зависимость между двумя переменными. Этот курс знакомит с методами исследования, оценки и моделирования линейных зависимостей в данных: вы освоите метод наименьших квадратов, линейную регрессию, оценку параметров и бутстрэп-ресэмплинг. В курсе вы будете использовать наиболее востребованные инструменты Python для анализа данных — scipy, statsmodels и scikit-learn — для построения и оценки линейных моделей. Изучая концепции и применение линейных моделей на Python, вы получите как практические навыки моделирования, так и прочную основу для дальнейшего изучения более сложных методов и инструментов в области статистики и машинного обучения.

Предварительные требования

Introduction to Regression with statsmodels in Python

Программа

План курса

Исследование линейных зависимостей

Курс начинается с изучения линейных зависимостей: мы рассмотрим примеры применения линейных моделей и методы визуализации данных с помощью matplotlib. Затем используем описательную статистику для характеристики данных и корреляцию для оценки силы линейной связи между двумя переменными.

Начать главу

Построение линейных моделей

В этой главе мы разберём компоненты линейной модели. Опираясь на концепцию ряда Тейлора, мы сосредоточимся на параметрах — наклоне и точке пересечения с осью — и рассмотрим, как они определяют модель и как их интерпретировать в различных прикладных контекстах. Для нахождения наилучшей модели мы применим несколько модулей Python: вычислим оптимальные значения параметров методом наименьших квадратов с использованием numpy, statsmodels и scikit-learn.

Начать главу

Прогнозирование с помощью моделей

Далее мы применим модели к реальным данным и построим прогнозы. Мы рассмотрим наиболее распространённые ошибки и ограничения при прогнозировании, а также оценим и сравним модели, используя несколько метрик качества подгонки — RMSE и R-квадрат.

Начать главу

Оценка параметров модели

В заключительной главе мы познакомимся с понятиями вывода в статистике и изучим, как оценка максимального правдоподобия и бутстрэп-ресэмплинг применяются для оценки параметров линейной модели. Затем мы используем эти методы для формулировки вероятностных утверждений о достоверности оценок параметров модели.