After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Одна з головних цілей науковця — знаходити закономірності в даних і будувати моделі, щоб описувати їх, робити передбачення та отримувати інсайти. Найбазовішою серед таких закономірностей є лінійний зв'язок між двома змінними. Цей курс знайомить із дослідженням, кількісним описом і моделюванням лінійних зв'язків у даних, демонструючи техніки найменших квадратів, лінійну регресію, оцінювання та бутстреп-перевибірку. Ви застосуєте найпотужніші інструменти моделювання в екосистемі data science на Python — зокрема scipy, statsmodels та scikit-learn — щоб будувати й оцінювати лінійні моделі. Досліджуючи концепції та застосування лінійних моделей у Python, курс слугує і практичним вступом до моделювання, і основою для вивчення просунутіших методів і інструментів у статистиці та машинному навчанні.
Попередні вимоги
Навчальний план
Зміст курсу
1
Дослідження лінійних тенденцій
Почнемо курс з первинного дослідження лінійних зв'язків: розглянемо приклади застосування лінійних моделей і способи візуалізації даних у matplotlib. Далі використаємо описову статистику, щоб кількісно описати форму даних, а також кореляцію — щоб оцінити силу лінійного зв'язку між двома змінними.
- Вступ до моделювання даних50 XP
- Навіщо моделювати: інтерполяція100 XP
- Навіщо моделювати: екстраполяція100 XP
- Навіщо моделювати: оцінювання залежностей100 XP
- Візуалізація лінійних зв'язків50 XP
- Побудова графіка даних100 XP
- Відображення моделі на даних100 XP
- Візуальна оцінка нахилу та перетину100 XP
- Кількісна оцінка лінійних взаємозв'язків50 XP
- Середнє, відхилення та стандартне відхилення100 XP
- Коваріація проти кореляції100 XP
- Сила кореляції100 XP
2
Побудова лінійних моделей
Тут ми розглянемо складові побудови лінійної моделі. Спираючись на поняття ряду Тейлора, зосередимося на параметрах нахил і перетин із віссю, на тому, як вони визначають модель і як їх тлумачити в різних прикладних контекстах. Ми застосуємо різні модулі Python, щоб знайти модель, яка найкраще відповідає даним, обчисливши оптимальні значення нахилу та перетину за методом найменших квадратів, а також за допомогою numpy, statsmodels і scikit-learn.
3
Створення передбачень за моделлю
Далі ми застосуємо моделі до реальних даних і зробимо передбачення. Розглянемо найтиповіші підводні камені та обмеження передбачень, а також оцінимо й порівняємо моделі, кількісно вимірявши та зіставивши кілька показників якості припасування, зокрема RMSE і R-squared.
4
Оцінювання параметрів моделі
В останньому розділі ми введемо поняття з інференційної статистики та використаємо їх, щоб дослідити, як метод максимальної правдоподібності та бутстреп-перевибірка допомагають оцінювати параметри лінійної моделі. Потім застосуємо ці методи, щоб робити імовірнісні висновки щодо нашої впевненості в параметрах моделі.
Вступ до лінійного моделювання в Python
Курс
завершено
