After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Tänk dig att kunna hantera data där responsvariabeln är binär, diskret eller approximativt normalfördelad – allt inom ett och samma ramverk. Det är precis vad den här kursen erbjuder. I kursen Generaliserade linjära modeller i Python utökar du din verktygslåda för regression med logistiska modeller och Poissonmodeller. Du lär dig att anpassa modeller, tolka dem, utvärdera deras prestanda och använda dem för att göra prediktioner på nya data. Du övar med data från verkliga studier, till exempel världens största massförgiftning, häckningsbeteende hos hästskokrabbor och räkning av cyklister på broar i New York City.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till GLM
Repetera linjära modeller och lär dig hur GLM utgör en utvidgning av den linjära modellen för olika typer av responsvariablar. Du får också lära dig grundkomponenterna i GLM och den tekniska processen för att anpassa en GLM i Python.
- Bortom linjär regression50 XP
- Tillämpa linjära modeller50 XP
- Den linjära modellen – ett specialfall av GLM100 XP
- Hur bygger man en GLM?50 XP
- Datatyp och fördelningsfamilj100 XP
- Linjär modell och en binär responsvariabel100 XP
- Jämföra predikterade värden100 XP
- Hur anpassar man en GLM i Python?50 XP
- Modellanpassning steg för steg100 XP
- Resultat av modellanpassningen med summary()100 XP
- Extrahera parameterestimat100 XP
2
Modellering av binära data
Det här kapitlet fokuserar på logistisk regression. Du lär dig om strukturen hos binära data, logit-länkfunktionen, modellanpassning samt hur man tolkar modellkoefficienter, drar slutsatser från modellen och utvärderar modellens prestanda.
3
Modellering av diskreta data
Här lär du dig om Poissonregression, inklusive en genomgång av diskreta data, Poissonfördelningen och tolkning av modellanpassningen. Du lär dig också hur du hanterar problem med överdispersion. Avslutningsvis får du praktisk erfarenhet av modellvisualisering.
4
Multivariabel logistisk regression
I det här avslutande kapitlet lär du dig hur du ökar modellens komplexitet genom att lägga till fler förklarande variabler. Du övar på problemet med multikollinearitet samt på att hantera kategoriska variabler och interaktionstermer i din modell.
Generaliserade linjära modeller i Python
Kurs
slutförd
