Last chance: 50% off unlimited learning
Sale ends in
Kurs Açıklaması
Bir bilim insanının temel hedeflerinden biri, verideki örüntüleri bulmak ve bu örüntüleri açıklamak, tahmin etmek ve içgörü çıkarmak için modeller kurmaktır. Bu örüntülerin en temeli, iki değişken arasındaki doğrusal ilişkidir. Bu kurs, en küçük kareler, doğrusal regresyon, kestirim ve bootstrap yeniden örnekleme gibi teknikleri göstererek, verideki doğrusal ilişkileri keşfetmeye, nicelleştirmeye ve modellemeye giriş sağlar. Burada python veri bilimi ekosistemindeki en güçlü modelleme araçlarını, scipy, statsmodels ve scikit-learn dahil, kullanarak doğrusal modeller kuracak ve değerlendireceksin. Python ile doğrusal model kavramlarını ve uygulamalarını keşfederek, bu kurs hem modellere pratik bir giriş hem de istatistik ve Machine Learning alanlarındaki daha ileri modelleme teknikleri ve araçlarını öğrenmek için bir temel sunar.
Ön Koşullar
Müfredat
Kurs planı
1
Doğrusal Eğilimleri Keşfetmek
Kursa, doğrusal ilişkilere ilk bakışla başlıyoruz; doğrusal modellerin nasıl kullanıldığına dair motive edici örnekler ve matplotlib ile veri görselleştirme yöntemlerinin gösterimleri dahil. Ardından, verimizin şeklini betimleyici istatistiklerle nicelleştiriyor ve iki değişken arasındaki doğrusal ilişkinin gücünü korelasyonla ölçüyoruz.
- Veriyle Modellemeye Giriş50 XP
- Modelleme Nedenleri: Enterpolasyon100 XP
- Modellemenin Nedenleri: Dışa Doğru Tahmin (Extrapolation)100 XP
- Modellemenin Nedenleri: İlişkileri Tahmin Etme100 XP
- Doğrusal İlişkileri Görselleştirme50 XP
- Veriyi Görselleştirme100 XP
- Modeli Verinin Üzerine Çizmek100 XP
- Eğimi ve Kesişimi Görsel Olarak Tahmin Etme100 XP
- Doğrusal İlişkileri Nicelleştirme50 XP
- Ortalama, Sapma ve Standart Sapma100 XP
- Kovaryans ve Korelasyon100 XP
- Korelasyonun Gücü100 XP
2
Doğrusal Modeller Kurmak
Burada bir doğrusal model kurmaya giren bileşenlere bakıyoruz. Bir Taylor Serisi kavramını kullanarak, eğim ve kesişim parametrelerine odaklanıyoruz; bunların modeli nasıl tanımladığını ve çeşitli uygulamalı bağlamlarda nasıl yorumlanacağını ele alıyoruz. En küçük kareler, numpy, statsmodels ve scikit-learn kullanarak eğim ve kesişimin en uygun değerlerini hesaplayıp, veriye en iyi uyan modeli bulmak için çeşitli python modülleri uyguluyoruz.
3
Model Tahminleri Yapmak
Şimdi modelleri gerçek verilere uygulayıp tahminler yapacağız. Tahminlerin en yaygın tuzaklarını ve sınırlamalarını keşfedeceğiz ve RMSE ve R-kare dahil çeşitli uyum iyiliği ölçülerini nicelleştirip karşılaştırarak modelleri değerlendireceğiz ve kıyaslayacağız.
4
Model Parametrelerini Kestirmek
Son bölümümüzde, çıkarımsal istatistik kavramlarını tanıtıyor ve maksimum olabilirlik kestirimi ile bootstrap yeniden örneklemenin doğrusal model parametrelerini kestirmede nasıl kullanılabileceğini inceliyoruz. Ardından, bu yöntemleri model parametrelerine olan güvenimiz hakkında olasılıksal ifadeler yapmak için uyguluyoruz.
Python ile Doğrusal Modellemenin Temelleri
Kurs
Tamamlandı
