After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
У цьому курсі ви навчитеся моделювати дані. Моделі намагаються описати зв'язок між цільовою змінною та низкою пояснювальних/прогностичних змінних. Такі модели можна використовувати як для пояснення, напр., «Чи допомагає знання віку професорів пояснити оцінки їхнього викладання?», так і для передбачення, напр., «Наскільки добре ми можемо передбачити ціну будинку за його площею та станом?». Ви застосуєте свої навички tidyverse, щоб будувати та інтерпретувати такі моделі. Курс зосереджено на лінійній регресії — одному з найуживаніших і найлегших для розуміння підходів до моделювання. Таке моделювання й спосіб мислення застосовують у багатьох галузях, зокрема в статистиці, причинно-наслідковому аналізі, машинному навчанні та штучному інтелекті.
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до моделювання
У цьому розділі ви ознайомитеся з базовою теорією та термінами моделювання: загальною рамкою моделювання, відмінністю між моделюванням для пояснення й для передбачення, а також постановкою задачі моделювання. Крім того, ви почнете виконувати перший розвідувальний аналіз даних — це критичний крок перед будь-яким формальним моделюванням.
- Теоретичні засади моделювання для пояснення50 XP
- Розвідувальна візуалізація віку100 XP
- Числові підсумки для age100 XP
- Теоретичні засади моделювання для передбачення50 XP
- Розвідувальна візуалізація розміру будинків100 XP
- Log10-перетворення розміру будинку100 XP
- Проблема моделювання для пояснення50 XP
- Розвідувальний аналіз зв'язку між оцінками викладання та «красою»100 XP
- Кореляція між оцінками викладання та «красою»100 XP
- Постановка моделювальної задачі для передбачення50 XP
- EDA взаємозв'язку між ціною будинку та наявністю виходу до води100 XP
- Прогнозування ціни будинку за наявністю виходу до води100 XP
2
Моделювання з базовою регресією
Озброївшись розумінням загальної рамки моделювання, у цьому розділі ми розглянемо базову лінійну регресію, де ви спростите підхід і змоделюєте цільову змінну y як функцію однієї пояснювальної/прогностичної змінної x. Ми використаємо як числові, так і категоріальні змінні x. Цільовою змінною в цьому розділі будуть оцінки викладання викладачів в Університеті Техасу в Остіні.
3
Моделювання з множинною регресією
У попередньому розділі ви вивчили базову регресію з однією числовою або однією категоріальною ознакою. Але навіщо обмежуватися лише однією змінною для пояснення чи передбачення? Тепер ви розширите базову регресію до множинної регресії, яка дає змогу включати до моделей більше ніж одну пояснювальну або прогностичну змінну. Ви моделюватимете ціни будинків, використовуючи набір даних про будинки в агломерації Сіетл, штат Вашингтон.
4
Оцінювання та вибір моделей
У попередніх розділах ви навчали моделі для пояснення або передбачення цільової змінної. Але як зрозуміти, які моделі обрати? Метрики оцінювання моделей дають змогу визначити, наскільки добре пояснювальна модель «підходить» до набору даних або наскільки точною є прогностична модель. Спираючись на ці показники, ви ознайомитеся з критеріями вибору «найкращих» моделей.
R
Моделювання даних у Tidyverse
Курс
завершено
