After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Tepki değişkeninin ikili, sayım ya da yaklaşık olarak normal olduğu verileri tek bir çatı altında ele alabildiğini hayal et. Aslında hayal etmene gerek yok. Karşında Python ile Genelleştirilmiş Doğrusal Modeller! Bu kursta lojistik ve Poisson modelleriyle regresyon araç setini genişletecek; modeli nasıl kuracağını, anlayacağını, performansını değerlendireceğini ve sonunda yeni veriler üzerinde tahmin yapmak için nasıl kullanacağını öğreneceksin. Dünyanın en büyük toplu zehirlenmesi, at nalı yengeçlerinin yuvalanması ve New York City’deki köprülerde bisiklet geçişlerinin sayımı gibi gerçek dünya çalışmalarından gelen verilerle pratik yapacaksın.
Ön Koşullar
Müfredat
Kurs içeriği
1
GLM’lere Giriş
Doğrusal modelleri gözden geçir ve farklı türde tepki değişkenleri için doğrusal modelin bir uzantısı olan GLM’leri öğren. Ayrıca GLM’lerin yapı taşlarını ve Python’da bir GLM’i kurmanın teknik sürecini öğreneceksin.
- Doğrusal regresyonun ötesine geçmek50 XP
- Doğrusal modelleri uygulamak50 XP
- Doğrusal model, GLM'in özel bir durumu100 XP
- Bir GLM nasıl kurulur?50 XP
- Veri türü ve dağılım ailesi100 XP
- Doğrusal model ve ikili bir yanıt değişkeni100 XP
- Tahmin edilen değerleri karşılaştırma100 XP
- Python'da bir GLM nasıl kurulur?50 XP
- Adım adım model kurma100 XP
- summary() kullanarak model uyumunun sonuçları100 XP
- Parametre tahminlerini çıkarma100 XP
2
İkili Verilerin Modellenmesi
Bu bölüm lojistik regresyona odaklanıyor. İkili verinin yapısını, logit bağ fonksiyonunu, model kurmayı; model katsayılarını yorumlamayı, model çıkarımını ve model performansını nasıl değerlendireceğini öğreneceksin.
3
Sayım Verilerinin Modellenmesi
Burada Poisson regresyonunu öğreneceksin; sayım verileri, Poisson dağılımı ve model uyumunun yorumlanması dâhil. Ayrıca aşırı yayılım sorunlarının nasıl üstesinden gelineceğini göreceksin. Son olarak, model görselleştirme sürecinde uygulamalı deneyim kazanacaksın.
4
Çok Değişkenli Lojistik Regresyon
Bu son bölümde modele birden fazla açıklayıcı değişken ekleyerek karmaşıklığı nasıl artıracağını öğreneceksin. Çoklu bağlantı (multicollinearity) sorunuyla pratik yapacak ve modelinde kategorik ile etkileşim terimlerini ele almayı öğreneceksin.
Python ile Genelleştirilmiş Doğrusal Modeller
Kurs
Tamamlandı
