Name: Survival Analysis ด้วย Python
Rating: 4.767123287671233 (73 reviews)

รายละเอียดคอร์ส

ต้องใช้เวลานานแค่ไหนกว่าอาการไข้หวัดใหญ่จะแสดงออกมาหลังได้รับเชื้อ? แล้วถ้าไม่รู้ว่าผู้ป่วยติดเชื้อตั้งแต่เมื่อไหร่ล่ะ? เงินเดือนและความสมดุลระหว่างชีวิตกับการทำงานส่งผลต่อความเร็วในการลาออกของพนักงานหรือไม่? ปัญหาในชีวิตจริงหลายอย่างต้องอาศัย Survival Analysis เพื่อประมาณเวลาจนกว่าจะเกิดเหตุการณ์ได้อย่างแม่นยำ และช่วยให้วิเคราะห์การกระจายของข้อมูลเวลาได้อย่างมีประสิทธิภาพ คอร์สนี้แนะนำแนวคิดพื้นฐานของ Survival Analysis ผ่านการฝึกปฏิบัติจริง คุณจะได้เรียนรู้วิธีคำนวณ แสดงผล ตีความ และเปรียบเทียบ survival curve โดยใช้โมเดล Kaplan-Meier, Weibull และ Cox PH เมื่อจบคอร์สนี้แล้ว จะสามารถสร้างโมเดลการกระจายของ survival ได้ วาดกราฟ survival curve ได้อย่างสวยงาม และยังทำนายระยะเวลารอดชีพได้อีกด้วย

ข้อกำหนดเบื้องต้น

Introduction to Regression with statsmodels in Python Hypothesis Testing in Python

หลักสูตร

โครงร่างคอร์ส

บทนำสู่ Survival Analysis

Survival Analysis แก้ปัญหาประเภทใด และ censorship คืออะไร? บทนี้จะตอบคำถามเหล่านี้ผ่านการสำรวจข้อมูล Survival Analysis การสร้าง survival curve และการประมาณเวลารอดชีพเบื้องต้น

เริ่มบท

การประมาณ Survival Curve

ในบทนี้จะได้เรียนรู้หลักการทำงานของโมเดล Kaplan-Meier รวมถึงวิธีฟิตโมเดล แสดงผล และตีความผลลัพธ์ จากนั้นจะนำโมเดลนี้ไปวิเคราะห์ว่าตัวแปรเชิงหมวดหมู่ส่งผลต่อ survival อย่างไร และเรียนรู้วิธีเสริมการวิเคราะห์ด้วยการทดสอบสมมติฐาน เช่น log-rank test

เริ่มบท

โมเดล Weibull

เรียนรู้การสร้างโมเดลข้อมูลเวลาจนกว่าจะเกิดเหตุการณ์ด้วยโมเดลแบบพาราเมตริก ทำความเข้าใจการใช้งานโมเดล Weibull และ Weibull AFT รวมถึงวัตถุประสงค์ที่แตกต่างกันของทั้งสองโมเดล นำ survival regression มาใช้วิเคราะห์ว่า covariate ส่งผลต่อ survival function อย่างไร และเรียนรู้วิธีเลือกโมเดล survival ที่เหมาะสมที่สุดสำหรับข้อมูล

เริ่มบท

โมเดล Cox PH

บทสุดท้ายนี้จะพาไปรู้จักกับ proportional hazards assumption และบทบาทของมันในการฟิตและตีความโมเดล Cox Proportional Hazards นอกจากนี้ยังจะได้เรียนรู้วิธีทำนายเวลารอดชีพของข้อมูลใหม่โดยใช้โมเดล Cox Proportional Hazards