After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Eksik veri her yerde. Eksik değerleri doldurma sürecine atama (imputation) denir ve eksik veriyi doğru şekilde doldurmayı bilmek, doğru tahminler üretmek ve kalabalığın arasından sıyrılmak istiyorsan temel bir beceridir. Bu derste, görselleştirmeler ve istatistiksel testler kullanarak eksik veri kalıplarını nasıl tanıyacağını ve bir dizi istatistiksel ve Machine Learning modelini kullanarak veriyi nasıl atayacağını öğreneceksin. Ayrıca hangi atama yönteminin belirli bir durumda en uygun olduğuna karar vermene yardımcı olacak karar verme becerileri de kazanacaksın. Son olarak, atamadan kaynaklanan belirsizliği çıkarımlarına ve tahminlerine dahil etmeyi öğrenerek onları daha sağlam ve güvenilir hale getireceksin.
Ön Koşullar
Müfredat
Kurs içeriği
1
Eksik Veri Sorunu
Bu bölümde, bir veri kümesini analiz ederken eksik verinin neden risk oluşturabileceğini göreceksin. Üç eksik veri mekanizmasıyla tanışacak ve bunları istatistiksel testler ve görselleştirme araçlarıyla nasıl tanıyacağını öğreneceksin.
- Eksik veriler: neler ters gidebilir50 XP
- Eksik verilerle doğrusal regresyon100 XP
- Regresyon çıktısını analiz etme50 XP
- Modelleri karşılaştırma100 XP
- Eksik veri mekanizmaları50 XP
- Eksik veri mekanizmalarını tanıma100 XP
- MAR için t-testi: veri hazırlığı100 XP
- MAR için t-testi: yorumlama100 XP
- Eksik veri desenlerini görselleştirme50 XP
- Toplulaştırma grafiği100 XP
- Spine grafiği100 XP
- Mozaik grafik100 XP
2
Verici Tabanlı Atama
Atama yöntemlerinin sınıflandırmasını tanı ve üç verici tabanlı tekniği öğren: ortalama, hot-deck ve k-En Yakın Komşu ataması. Bu yöntemlerin kaputun altında nasıl çalıştığına bakacak ve ardından gerçek bir tropikal hava durumu veri kümesine nasıl uygulayacağını öğreneceksin. Bu arada, kendi problemlerinde onları daha da etkili hale getirmek için kullanabileceğin yararlı ipuçları da edineceksin.
3
Model Tabanlı Atama
Sıra, eksik veriyi doldurmak için doğrusal regresyon, lojistik regresyon ve rastgele ormanlar gibi istatistiksel ve Machine Learning modellerini kullanmayı öğrenmeye geldi. Bu bölümde, modellerin tahminlerini nasıl yaptıklarına bakacak ve bu bilgiyi kullanarak atanan değerleri koşullu dağılımlardan çekmeyi öğreneceksin. Bu önemlidir; çünkü atamalarının daha çeşitli ve makul olmasını sağlar, böylece gerçek veriye daha çok benzerler.
4
Atamadan Kaynaklanan Belirsizlik
Atanan değerler kazınmış bir yazı değildir. Bunlar sadece tahminlerdir ve tahminler bir miktar belirsizlik içerir. Bu son bölümde, mice paketini kullanarak önyükleme (bootstrapping) ve zincirleme denklemlerle atama belirsizliğinin modellerine ve analizlerine nasıl dahil edilebileceğini keşfedecek ve böylece onları daha güvenilir ve sağlam hale getireceksin.
R
R'de Atamaya Dayalı Eksik Veri Doldurma
Kurs
Tamamlandı
