Build your ultimate AI agent
รายละเอียดคอร์ส
เป้าหมายหลักของนักวิทยาศาสตร์คือการค้นหารูปแบบในข้อมูลและสร้างโมเดลเพื่ออธิบาย คาดการณ์ และดึงข้อมูลเชิงลึกจากรูปแบบเหล่านั้น รูปแบบพื้นฐานที่สุดคือความสัมพันธ์เชิงเส้นระหว่างสองตัวแปร คอร์สนี้แนะนำการสำรวจ การวัดเชิงปริมาณ และการสร้างโมเดลความสัมพันธ์เชิงเส้นในข้อมูล โดยครอบคลุมเทคนิคต่าง ๆ เช่น least-squares, linear regression, การประมาณค่า และ bootstrap resampling จะได้ใช้เครื่องมือสร้างโมเดลที่ทรงพลังในระบบนิเวศ Python data science อย่าง scipy, statsmodels และ scikit-learn เพื่อสร้างและประเมิน linear model คอร์สนี้เหมาะทั้งสำหรับผู้ที่ต้องการเริ่มต้นสร้างโมเดลในเชิงปฏิบัติ และเป็นรากฐานสำหรับการเรียนรู้เทคนิคและเครื่องมือสร้างโมเดลขั้นสูงด้านสถิติและ machine learning
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
การสำรวจแนวโน้มเชิงเส้น
เริ่มต้นด้วยการสำรวจความสัมพันธ์เชิงเส้น พร้อมตัวอย่างที่ชวนให้เห็นการนำ linear model ไปใช้งานจริง และการแสดงภาพข้อมูลด้วย matplotlib จากนั้นใช้สถิติเชิงพรรณนาเพื่อวัดรูปร่างของข้อมูล และใช้ค่าสหสัมพันธ์เพื่อวัดความแข็งแกร่งของความสัมพันธ์เชิงเส้นระหว่างสองตัวแปร
- บทนำสู่การสร้างโมเดลข้อมูล50 XP
- เหตุผลในการสร้างโมเดล: การประมาณค่าภายในช่วงข้อมูล100 XP
- เหตุผลที่ใช้การสร้างโมเดล: การประมาณค่านอกช่วงข้อมูล100 XP
- เหตุผลในการสร้างโมเดล: การประเมินความสัมพันธ์100 XP
- การแสดงภาพความสัมพันธ์เชิงเส้น50 XP
- การพล็อตข้อมูล100 XP
- พล็อตโมเดลบนข้อมูล100 XP
- การประมาณค่าความชันและจุดตัดแกนด้วยการมองภาพ100 XP
- การวัดปริมาณความสัมพันธ์เชิงเส้น50 XP
- ค่าเฉลี่ย ค่าเบี่ยงเบน และส่วนเบี่ยงเบนมาตรฐาน100 XP
- Covariance เทียบกับ Correlation100 XP
- ความแข็งแกร่งของความสัมพันธ์100 XP
2
การสร้าง Linear Model
บทนี้เจาะลึกองค์ประกอบของการสร้าง linear model โดยอาศัยแนวคิด Taylor Series เพื่อทำความเข้าใจพารามิเตอร์ slope และ intercept ว่าทั้งสองกำหนดโมเดลอย่างไร และการตีความในบริบทการใช้งานต่าง ๆ จากนั้นใช้โมดูล Python หลายตัวเพื่อหาโมเดลที่พอดีกับข้อมูลมากที่สุด ด้วยการคำนวณค่าที่เหมาะสมที่สุดของ slope และ intercept ผ่าน least-squares, numpy, statsmodels และ scikit-learn
3
การทำนายด้วยโมเดล
นำโมเดลไปประยุกต์ใช้กับข้อมูลจริงและทำการทำนาย สำรวจข้อจำกัดและปัญหาที่พบบ่อยในการทำนาย รวมถึงประเมินและเปรียบเทียบโมเดลโดยวัดความดีของการปรับค่า (goodness-of-fit) หลายตัว เช่น RMSE และ R-squared
4
การประมาณค่าพารามิเตอร์ของโมเดล
บทสุดท้ายแนะนำแนวคิดสถิติอนุมาน และอธิบายว่า maximum likelihood estimation และ bootstrap resampling นำมาใช้ประมาณค่าพารามิเตอร์ของ linear model ได้อย่างไร จากนั้นนำวิธีการเหล่านี้มาใช้เพื่อระบุความน่าจะเป็นเกี่ยวกับความเชื่อมั่นในพารามิเตอร์ของโมเดล
Introduction to Linear Modeling in Python
เรียนจบแล้ว
