After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Genelleştirilmiş Katkılı Modeller, hem tahmin hem de çıkarım için güçlü bir araçtır. Doğrusal modellere göre daha esnek, kara kutu yöntemlere göre ise daha anlaşılır olan GAM'ler, verilerdeki ilişkileri farklı veri türleri ve veri bilimi problemlerine kolayca uyum sağlayan doğrusal olmayan fonksiyonlarla modeller. Bu kursta, GAM'lerin nasıl çalıştığını ve popüler mgcv paketiyle nasıl kurulacağını öğreneceksin. Model sonuçlarını nasıl yorumlayıp açıklayacağını ve görselleştireceğini, ayrıca model sorunlarını nasıl teşhis edip düzelteceğini göreceksin. Farklı durumlara GAM’leri nasıl uygulayacağını gösterecek veri kümeleriyle çalışacaksın: karma doğrusal ve doğrusal olmayan modeller için otomobil performans verileri, jeo-uzamsal modeller için toprak kirliliği verileri ve sınıflandırma ile tahmin için tüketici satın alma verileri. Kursun sonunda, birçok veri bilimi problemini çözmek için bir araç kutusuna sahip olacaksın.
Ön Koşullar
Müfredat
Kurs içeriği
1
Genelleştirilmiş Katkılı Modeller’e Giriş
Bu bölümde, Genelleştirilmiş katkılı modellerin nasıl çalıştığını ve verileri aşırı uydurmadan modellemek için esnek, doğrusal olmayan fonksiyonların nasıl kullanılacağını öğreneceksin. mgcv paketindeki gam() fonksiyonunu kullanmayı ve doğrusal olmayan, doğrusal ve kategorik etkileri bir araya getiren çok değişkenli modeller kurmayı öğreneceksin.
- Giriş50 XP
- Motosiklet kaza verisi: doğrusal yaklaşım100 XP
- Motosiklet kaza verileri: doğrusal olmayan yaklaşım100 XP
- Doğrusal olmayan fonksiyonun parçaları100 XP
- Temel fonksiyonlar ve yumuşatma50 XP
- Motosiklet modelinin karmaşıklığını ayarlama100 XP
- Aşırı uyumu önlemek için düzeltme parametrelerini kullanma100 XP
- Karmaşıklık ve düzeltmeyi birlikte kullanma100 XP
- Çok Değişkenli GAM'ler50 XP
- Otomobil performansının çok değişkenli GAM'leri100 XP
- Oto performans modeline kategorik değişken ekleme100 XP
- Farklı araç tipleri için kategori düzeyinde düzgünlükler100 XP
2
GAM’leri Yorumlama ve Görselleştirme
Bu bölümde, 1. bölümde kurduğun modelleri daha yakından inceleyip onları nasıl yorumlayıp açıklayacağını öğreneceksin. Farklı değişkenlerin model sonuçlarını nasıl etkilediğini gösteren grafikler oluşturmayı öğreneceksin. Ardından, veriyi yetersiz modellemekten veya değişkenler arasındaki gizli ilişkilerden kaynaklanan model sorunlarını teşhis edip bu sorunları yinelemeli olarak nasıl düzelteceğini ve daha iyi sonuçlar elde edeceğini göreceksin.
3
Uzamsal GAM’ler ve Etkileşimler
Bu bölümde, birden çok değişkenin etkileşimlerini içeren modellere doğru kapsamını genişleteceksin. Bu etkileşimleri kullanarak karmaşık yüzeyleri modelleyip bu yüzeyleri 3B olarak görselleştirerek jeo-uzamsal verilerin modellerini kuracaksın. Ardından, düzgünleştiriciler ile kategorik değişkenler arasındaki etkileşimleri ve uzay ile zaman gibi çok farklı değişkenlerin etkileşimlerini nasıl modelleyeceğini öğreneceksin.
4
Sınıflandırma için Lojistik GAM’ler
İlk üç bölümde, GAM’leri sürekli sonuçların regresyonu için kullandın. Bu bölümde, GAM’leri sınıflandırma için kullanacaksın. Müşteri satın alma davranışı gibi ikili sonuçları tahmin etmek için lojistik GAM’ler kuracak, bu yeni model türünü nasıl görselleştireceğini öğrenecek, tahminler yapacak ve her bir tahmini etkileyen değişkenleri nasıl açıklayacağını göreceksin.
R
R ile Genelleştirilmiş Katkılı Modeller (GAM'ler) ile Doğrusal Olmayan Modelle
Kurs
Tamamlandı
