After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Уявіть, що ви можете працювати з даними, де відгук є бінарним, лічильним або приблизно нормальним, — і все це в єдиній рамці. Насправді уявляти не потрібно. Ласкаво просимо на курс «Узагальнені лінійні моделі в Python»! На цьому курсі ви розширите набір інструментів регресії логістичною та Пуассонівською моделями: навчитеся підбирати моделі, розуміти їх, оцінювати продуктивність, а також використовувати модель для прогнозування на нових даних. Ви попрактикуєтеся на даних реальних досліджень: від найбільшого масового отруєння в історії світу до гніздування підковоподібних крабів і підрахунку велосипедистів на мостах Нью-Йорка.
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до GLM
Повторіть лінійні моделі та дізнайтеся, як GLM розширюють лінійну модель для різних типів змінних відгуку. Ви також вивчите складові GLM і технічний процес підгонки GLM у Python.
- Виходимо за межі лінійної регресії50 XP
- Застосування лінійних моделей50 XP
- Лінійна модель — окремий випадок GLM100 XP
- Як побудувати GLM?50 XP
- Тип даних і сімейство розподілів100 XP
- Лінійна модель і бінарна залежна змінна100 XP
- Порівняння передбачених значень100 XP
- Як навчити GLM у Python?50 XP
- Покрокове налаштування моделі100 XP
- Результати підгонки моделі за допомогою summary()100 XP
- Отримання оцінок параметрів100 XP
2
Моделювання бінарних даних
У цьому розділі зосередимося на логістичній регресії. Ви дізнаєтеся про структуру бінарних даних, логіт-перетворення (logit link), підгонку моделі, а також як інтерпретувати коефіцієнти, робити висновки за моделлю та оцінювати її якість.
3
Моделювання лічильних даних
Тут ви познайомитеся з Пуассонівською регресією: обговоримо лічильні дані, розподіл Пуассона та інтерпретацію підгонки моделі. Ви також навчитеся долати проблему надрозсіювання. Наостанок ви отримаєте практичний досвід у візуалізації моделей.
4
Багатозмінна логістична регресія
У фінальному розділі ви дізнаєтеся, як ускладнити модель, додавши більше ніж одну пояснювальну змінну. Ви попрактикуєтеся працювати з мультиколінеарністю, а також з обробкою категоріальних змінних і взаємодій у моделі.
Узагальнені лінійні моделі в Python
Курс
завершено
