หลังจากเรียนคอร์สเหล่านี้ รู้สึกมั่นใจในการสร้างการแสดงผลข้อมูลและแดชบอร์ดระดับมืออาชีพ
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
การถดถอยเชิงเส้น (linear regression) เป็นเครื่องมือสำคัญทางสถิติ แต่ไม่สามารถจัดการข้อมูลที่ซับซ้อนบางประเภทได้ Generalized Linear Model (GLM) เป็นการต่อยอดจากการถดถอยเชิงเส้น โดยรองรับการแจกแจงที่ไม่ใช่แบบปกติ (non-normal) ทั้งข้อมูลแบบทวินาม (binomial) และข้อมูลแบบนับ (count data) ตลอดคอร์สนี้ จะได้เรียนรู้การใช้ GLM ใน R เพื่อขยายชุดเครื่องมือด้าน Data Science ซึ่งรวมถึงการสร้างโมเดลข้อมูลแบบทวินามด้วย logistic regression และข้อมูลแบบนับด้วย Poisson regression นอกจากนี้ยังจะได้เรียนรู้วิธีแปลผลลัพธ์และสร้างกราฟด้วย ggplot2
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงร่างคอร์ส
1
GLM: การต่อยอดจากชุดเครื่องมือ regression ของคุณ
บทนี้จะอธิบายว่า Generalized Linear Model เป็นการต่อยอดจากโมเดลอื่น ๆ ในชุดเครื่องมือ Data Science อย่างไร พร้อมแนะนำแนวคิด GLM ผ่าน Poisson regression
- ข้อจำกัดของโมเดลเชิงเส้น50 XP
- ข้อสมมติของโมเดลเชิงเส้น50 XP
- ทบทวนการ Fit Linear Model100 XP
- การถดถอยปัวซอง50 XP
- การ Fit Poisson Regression ใน R100 XP
- เปรียบเทียบการถดถอยเชิงเส้นและการถดถอยปัวซอง100 XP
- การเปรียบเทียบจุดตัดแกน (Intercepts) กับค่าเฉลี่ย100 XP
- ฟังก์ชัน lm() พื้นฐานกับ glm()50 XP
- การใช้ summary(), print() และ tidy() กับ glm100 XP
- การดึงค่าสัมประสิทธิ์จาก glm()100 XP
- การพยากรณ์ด้วย glm()100 XP
2
Logistic Regression
บทนี้ครอบคลุมการรัน logistic regression และการตรวจสอบผลลัพธ์ของโมเดล
3
การแปลผลและการแสดงผล GLM
บทนี้จะสอนวิธีแปลค่าสัมประสิทธิ์ (coefficient) ของ GLM และการสร้างกราฟ GLM ด้วย ggplot2
4
Multiple Regression ด้วย GLM
ในบทนี้ จะได้เรียนรู้วิธีทำ multiple regression ด้วย GLM ใน R
R
Generalized Linear Models ใน R
เรียนคอร์สจบแล้ว
