Bu kursları tamamladıktan sonra profesyonel görselleştirmeler ve panolar oluşturma konusunda kendime güveniyorum
Shoebur RahmanSatın Alma Uzmanı, Giz Bangladesh
Kurs Açıklaması
Bu kursta verilerle model kurmayı öğreneceksin. Modeller, ilgilenilen bir çıktı değişkeni ile bir dizi açıklayıcı/tahmin edici değişken arasındaki ilişkiyi yakalamaya çalışır. Bu tür modeller hem açıklayıcı amaçlarla (ör. "Profesörlerin yaşlarını bilmek, ders değerlendirme puanlarını açıklamaya yardımcı olur mu?") hem de tahmine dayalı amaçlarla (ör. "Bir evin fiyatını, boyutu ve durumu üzerinden ne kadar iyi tahmin edebiliriz?") kullanılabilir. Bu tür modelleri kurmak ve yorumlamak için tidyverse becerilerinden yararlanacaksın. Bu kurs, modelleme için en yaygın ve anlaşılması en kolay yaklaşımlardan biri olan doğrusal regresyonun kullanımına odaklanır. Bu tür modelleme ve düşünme; istatistik, nedensel çıkarım, Machine Learning ve yapay zekâ dahil pek çok alanda kullanılır.
Ön Koşullar
Müfredat
Kurs planı
1
Modellemeye Giriş
Bu bölüm, özellikle genel modelleme çerçevesi, açıklama için modelleme ile tahmin için modelleme arasındaki fark ve modelleme problemi üzerine bazı arka plan kuramı ve terminolojiyi sana tanıtacak. Ayrıca, herhangi bir resmi modellemeden önce kritik bir ilk adım olan ilk keşifsel veri analizini yapmaya başlayacaksın.
- Açıklama amaçlı modellemeye giriş50 XP
- Yaşın keşfedici görselleştirmesi100 XP
- Yaşın sayısal özetleri100 XP
- Tahmin için modellemeye genel bakış50 XP
- Ev büyüklüğünün keşifsel görselleştirmesi100 XP
- Ev büyüklüğünün Log10 dönüşümü100 XP
- Açıklama için modelleme problemi50 XP
- Öğretim ve "güzellik" puanları ilişkisinin EDA’sı100 XP
- Öğretim ve "güzellik" puanları arasındaki korelasyon100 XP
- Tahmin için modelleme problemi50 XP
- Konut fiyatı ile su kıyısı ilişkisinin EDA’sı100 XP
- Su kıyısı manzarasıyla konut fiyatı tahmini100 XP
2
Temel Regresyon ile Modelleme
Genel modelleme çerçevesine dair anlayışınla donanmış olarak, bu bölümde temel doğrusal regresyonu ele alacağız; burada işleri sade tutup çıktı değişkeni y’yi tek bir açıklayıcı/tahmin edici değişken x’in bir fonksiyonu olarak modelleyeceksin. Hem sayısal hem de kategorik x değişkenleri kullanacağız. Bu bölümde ilgileneceğimiz çıktı değişkeni, University of Texas, Austin’deki eğitmenlerin ders değerlendirme puanları olacak.
3
Çoklu Regresyon ile Modelleme
Önceki bölümde, tek bir sayısal ya da kategorik tahmin edici kullanan temel regresyonu öğrendin. Peki açıklamalarını/tahminlerini beslemek için neden kendimizi tek bir değişkenle sınırlayalım? Şimdi temel regresyonu çoklu regresyona genişleteceksin; bu sayede modellerine birden fazla açıklayıcı veya tahmin edici değişkeni dahil edebileceksin. Seattle, WA metropol bölgesindeki evlerden oluşan bir veri kümesiyle konut fiyatlarını modelleyeceksin.
4
Model Değerlendirme ve Seçimi
Önceki bölümlerde, ilgilendiğin bir çıktı değişkenini açıklamak ya da tahmin etmek için çeşitli modeller kurdun. Ancak hangi modelleri seçeceğimizi nasıl bileceğiz? Model değerlendirme ölçütleri, açıklayıcı bir modelin bir veri kümesine ne kadar iyi "uyduğunu" ya da tahmine dayalı bir modelin ne kadar doğru olduğunu değerlendirmene olanak tanır. Bu ölçütlere dayanarak, hangi modellerin "en iyi" olduğuna karar vermeye yönelik kıstasları öğreneceksin.
R
Tidyverse ile Verilerle Modelleme
Kurs
Tamamlandı
