Build your ultimate AI agent
Kursbeskrivning
Ett av de främsta målen för varje dataanalytiker är att hitta mönster i data och bygga modeller för att beskriva, förutsäga och dra insikter från dessa mönster. Det mest grundläggande av dessa mönster är ett linjärt samband mellan två variabler. Den här kursen ger en introduktion till att utforska, kvantifiera och modellera linjära samband i data, genom tekniker som minsta kvadratmetoden, linjär regression, skattning och bootstrap-omsampling. Du får använda de mest kraftfulla modelleringsverktygen i Pythons datavetenskapliga ekosystem – däribland scipy, statsmodels och scikit-learn – för att bygga och utvärdera linjära modeller. Genom att utforska begreppen och tillämpningarna av linjära modeller i Python fungerar kursen både som en praktisk introduktion till modellering och som en grund för att lära sig mer avancerade modelleringstekniker inom statistik och maskininlärning.
Förkunskapskrav
Kursplan
Kursöversikt
1
Utforska linjära trender
Vi inleder kursen med att utforska linjära samband, inklusive motiverande exempel på hur linjära modeller används och demonstrationer av datavisualiseringsmetoder från matplotlib. Sedan använder vi deskriptiv statistik för att kvantifiera formen på vår data och korrelation för att mäta styrkan på det linjära sambandet mellan två variabler.
- Introduktion till datamodellering50 XP
- Syften med modellering: Interpolation100 XP
- Varför modellera: Extrapolering100 XP
- Skäl att modellera: Uppskatta samband100 XP
- Visualisering av linjära samband50 XP
- Visualisera data100 XP
- Rita modellen över datan100 XP
- Uppskatta lutning och intercept visuellt100 XP
- Kvantifiering av linjära samband50 XP
- Medelvärde, avvikelse och standardavvikelse100 XP
- Kovarians och korrelation100 XP
- Korrelationsstyrka100 XP
2
Bygga linjära modeller
Här tittar vi på de delar som ingår i att bygga en linjär modell. Med hjälp av begreppet Taylorserie fokuserar vi på parametrarna lutning och skärningspunkt, hur de definierar modellen och hur man tolkar dem i olika tillämpade sammanhang. Vi använder olika Python-moduler för att hitta den modell som bäst passar data, genom att beräkna de optimala värdena för lutning och skärningspunkt med minsta kvadratmetoden, NumPy, statsmodels och scikit-learn.
3
Göra förutsägelser med modeller
Härnäst tillämpar vi modeller på verklig data och gör förutsägelser. Vi undersöker några av de vanligaste fallgroparna och begränsningarna med förutsägelser, och utvärderar och jämför modeller genom att kvantifiera och kontrastera flera mått på anpassningskvalitet, däribland RMSE och R².
4
Skatta modellparametrar
I vårt sista kapitel introducerar vi begrepp från inferensstatistik och använder dem för att utforska hur maximum likelihood-skattning och bootstrap-omsampling kan användas för att skatta linjära modellparametrar. Sedan tillämpar vi dessa metoder för att göra sannolikhetsbaserade uttalanden om vår tillit till modellparametrarna.
Introduktion till linjär modellering i Python
Kurs
slutförd
