After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
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
Программа
Структура курса
1
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.
- Введение в моделирование данных50 XP
- Зачем строить модели: интерполяция100 XP
- Зачем строить модели: экстраполяция100 XP
- Зачем нужны модели: оценка зависимостей100 XP
- Визуализация линейных зависимостей50 XP
- Построение графика100 XP
- Отображение модели на графике с данными100 XP
- Визуальная оценка наклона и точки пересечения100 XP
- Количественная оценка линейных зависимостей50 XP
- Среднее, отклонение и стандартное отклонение100 XP
- Ковариация и корреляция100 XP
- Сила корреляции100 XP
2
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.
3
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.
4
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.
Введение в линейное моделирование на Python
Курс
завершён
