Build your ultimate AI agent
Kursbeskrivning
I den här kursen lär du dig att modellera med data. Modeller försöker fånga sambandet mellan en utfallsvariabel och en eller flera förklarande variabler eller prediktorer. Sådana modeller kan användas både för förklarande syften – till exempel: "Hjälper professorers ålder till att förklara deras undervisningsomdömen?" – och för prediktiva syften – till exempel: "Hur väl kan vi förutsäga ett huspris utifrån storlek och skick?" Du använder dina Tidyverse-kunskaper för att bygga och tolka sådana modeller. Kursen fokuserar på linjär regression, en av de vanligast förekommande och lättillgängliga metoderna för modellering. Den här typen av modellering används inom en rad områden, bland annat statistik, kausal inferens, maskininlärning och artificiell intelligens.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till modellering
Det här kapitlet ger dig bakgrundsteori och grundläggande terminologi för modellering – bland annat det allmänna modelleringsramverket, skillnaden mellan förklarande och prediktiv modellering samt modelleringsproblemet. Du börjar också med din första explorativa dataanalys, ett viktigt första steg inför all formell modellering.
- Bakgrund om modellering för förklaring50 XP
- Explorativ visualisering av ålder100 XP
- Numeriska sammanfattningar av ålder100 XP
- Bakgrund om modellering för prediktion50 XP
- Utforskande visualisering av husstorlek100 XP
- Log10-transformation av bostadsyta100 XP
- Modelleringsproblemet för förklaring50 XP
- EDA av sambandet mellan undervisnings- och "skönhets"-poäng100 XP
- Korrelation mellan undervisnings- och "skönhets"-poäng100 XP
- Modelleringsproblemet för prediktion50 XP
- EDA av sambandet mellan huspris och vattentomt100 XP
- Förutsäga huspris med strandtomt100 XP
2
Modellering med enkel regression
Med en god förståelse för det allmänna modelleringsramverket går vi nu vidare till enkel linjär regression. Här håller vi det enkelt och modellerar utfallsvariabeln y som en funktion av en enda förklarande variabel eller prediktor x. Vi använder både numeriska och kategoriska x-variabler. Utfallsvariabeln i det här kapitlet är undervisningsomdömen för lärare vid University of Texas, Austin.
3
Modellering med multipel regression
I föregående kapitel lärde du dig om enkel regression med antingen en numerisk eller en kategorisk prediktor. Men varför begränsa sig till en enda variabel? Nu utökar vi enkel regression till multipel regression, vilket gör det möjligt att inkludera fler än en förklarande variabel eller prediktor i modellerna. Du modellerar huspriser med hjälp av ett dataset över bostäder i storstadsområdet Seattle, WA.
4
Modellbedömning och modellval
I de tidigare kapitlen har du anpassat olika modeller för att förklara eller förutsäga en utfallsvariabel. Men hur vet vi vilka modeller vi ska välja? Med hjälp av modellbedömningsmått kan du utvärdera hur väl en förklarande modell "passar" en datamängd, eller hur träffsäker en prediktiv modell är. Utifrån dessa mått lär du dig vilka kriterier som avgör vilka modeller som är "bäst".
R
Modellering med data i Tidyverse
Kurs
slutförd
