Build your ultimate AI agent
รายละเอียดคอร์ส
ลองนึกภาพว่าสามารถจัดการข้อมูลที่ตัวแปรตอบสนองเป็นได้ทั้งแบบไบนารี แบบนับจำนวน หรือแบบใกล้เคียงการแจกแจงปกติ ภายใต้กรอบงานเดียว — และนั่นไม่ใช่แค่ความฝัน เพราะคอร์ส Generalized Linear Models ใน Python นี้จะพาไปถึงจุดนั้น ในคอร์สนี้ จะได้ขยายทักษะการถดถอยด้วยโมเดล Logistic และ Poisson โดยเรียนรู้วิธีฟิตโมเดล ทำความเข้าใจผลลัพธ์ ประเมินประสิทธิภาพ และนำโมเดลไปพยากรณ์ข้อมูลใหม่ พร้อมฝึกปฏิบัติกับข้อมูลจากกรณีศึกษาจริง เช่น เหตุการณ์พิษจากสารหนูครั้งใหญ่ที่สุดในประวัติศาสตร์โลก การทำรังของปูเกือกม้า และการนับจำนวนจักรยานที่ข้ามสะพานในนิวยอร์กซิตี้
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
รู้จัก GLM
ทบทวนโมเดลเชิงเส้น และเรียนรู้ว่า GLM เป็นการขยายต่อยอดจากโมเดลเชิงเส้นอย่างไรเมื่อตัวแปรตอบสนองมีรูปแบบต่างกัน พร้อมทำความเข้าใจส่วนประกอบหลักของ GLM และกระบวนการทางเทคนิคในการฟิต GLM ด้วย Python
- ก้าวข้ามการถดถอยเชิงเส้น50 XP
- การนำ Linear Model ไปใช้50 XP
- Linear model กรณีพิเศษของ GLM100 XP
- วิธีสร้าง GLM50 XP
- ประเภทข้อมูลและตระกูลการแจกแจง100 XP
- โมเดลเชิงเส้นและตัวแปรตอบสนองแบบไบนารี100 XP
- การเปรียบเทียบค่าพยากรณ์100 XP
- วิธีฟิต GLM ใน Python50 XP
- ขั้นตอนการ Fit โมเดลทีละขั้น100 XP
- ดูผลลัพธ์ของโมเดลด้วย summary()100 XP
- การดึงค่าประมาณพารามิเตอร์100 XP
2
การสร้างโมเดลสำหรับข้อมูลไบนารี
บทนี้เน้นที่ Logistic Regression โดยจะได้เรียนรู้โครงสร้างของข้อมูลไบนารี ฟังก์ชัน Logit Link การฟิตโมเดล การแปลความหมายของสัมประสิทธิ์ การอนุมานจากโมเดล และวิธีประเมินประสิทธิภาพของโมเดล
3
การสร้างโมเดลสำหรับข้อมูลนับ
บทนี้ครอบคลุม Poisson Regression ซึ่งรวมถึงการอภิปรายเรื่องข้อมูลนับ การแจกแจง Poisson และการแปลความหมายของผลการฟิตโมเดล นอกจากนี้ยังได้เรียนรู้วิธีรับมือกับปัญหา Overdispersion และฝึกปฏิบัติกับกระบวนการแสดงภาพโมเดลด้วย
4
Multivariable Logistic Regression
ในบทสุดท้ายนี้ จะได้เรียนรู้วิธีเพิ่มความซับซ้อนให้โมเดลโดยใช้ตัวแปรอธิบายมากกว่าหนึ่งตัว พร้อมฝึกรับมือกับปัญหา Multicollinearity และการจัดการตัวแปรเชิงหมวดหมู่และ Interaction Term ในโมเดล
Generalized Linear Models ใน Python
เรียนจบแล้ว
