Sau khi hoàn thành các khóa học này, tôi cảm thấy tự tin khi tạo các trực quan hóa và bảng điều khiển chuyên nghiệp
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Một trong những mục tiêu chính của nhà khoa học là tìm ra các mẫu trong dữ liệu và xây dựng mô hình để mô tả, dự đoán và rút ra insight từ những mẫu đó. Mối quan hệ cơ bản nhất trong số này là quan hệ tuyến tính giữa hai biến. Khóa học này giới thiệu cách khám phá, định lượng và mô hình hóa các mối quan hệ tuyến tính trong dữ liệu, bằng cách minh họa các kỹ thuật như bình phương tối thiểu, hồi quy tuyến tính, ước lượng và bootstrap resampling. Tại đây bạn sẽ áp dụng những công cụ mô hình hóa mạnh mẽ nhất trong hệ sinh thái khoa học dữ liệu Python, bao gồm scipy, statsmodels và scikit-learn, để xây dựng và đánh giá các mô hình tuyến tính. Bằng cách khám phá các khái niệm và ứng dụng của mô hình tuyến tính với Python, khóa học này vừa là phần nhập môn thực hành về mô hình hóa, vừa là nền tảng để học các kỹ thuật và công cụ nâng cao hơn trong thống kê và Machine Learning.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Khám phá xu hướng tuyến tính
Chúng ta bắt đầu khóa học bằng việc khám phá ban đầu các mối quan hệ tuyến tính, bao gồm một số ví dụ truyền cảm hứng về cách mô hình tuyến tính được sử dụng và minh họa các phương pháp trực quan hóa dữ liệu từ matplotlib. Sau đó, chúng ta dùng thống kê mô tả để định lượng hình dạng dữ liệu và dùng tương quan để định lượng độ mạnh của mối quan hệ tuyến tính giữa hai biến.
- Giới thiệu về mô hình hóa dữ liệu50 XP
- Lý do mô hình hóa: Nội suy100 XP
- Lý do mô hình hóa: Ngoại suy (Extrapolation)100 XP
- Lý do để Mô hình hóa: Ước lượng Quan hệ100 XP
- Trực quan hóa các mối quan hệ tuyến tính50 XP
- Vẽ biểu đồ dữ liệu100 XP
- Vẽ mô hình lên trên dữ liệu100 XP
- Ước lượng trực quan độ dốc và hệ số chặn100 XP
- Định lượng mối quan hệ tuyến tính50 XP
- Giá trị trung bình, Độ lệch & Độ lệch chuẩn100 XP
- Hiệp phương sai và Tương quan100 XP
- Độ mạnh tương quan100 XP
2
Xây dựng mô hình tuyến tính
Tại đây, chúng ta xem xét các thành phần cấu thành nên một mô hình tuyến tính. Sử dụng khái niệm Chuỗi Taylor, chúng ta tập trung vào các tham số độ dốc (slope) và hệ số chặn (intercept), cách chúng xác định mô hình và cách diễn giải chúng trong nhiều ngữ cảnh ứng dụng. Chúng ta áp dụng nhiều mô-đun Python để tìm mô hình khớp dữ liệu tốt nhất, bằng cách tính các giá trị tối ưu của độ dốc và hệ số chặn, sử dụng bình phương tối thiểu, numpy, statsmodels và scikit-learn.
3
Tạo dự đoán từ mô hình
Tiếp theo, chúng ta sẽ áp dụng mô hình vào dữ liệu thực và tạo dự đoán. Chúng ta sẽ khám phá một số cạm bẫy và giới hạn thường gặp của dự đoán, và đánh giá, so sánh các mô hình bằng cách định lượng và đối chiếu một số thước đo độ phù hợp, bao gồm RMSE và R-squared.
4
Ước lượng tham số mô hình
Ở chương cuối, chúng ta giới thiệu các khái niệm từ thống kê suy luận và sử dụng chúng để tìm hiểu cách ước lượng hợp lý tối đa và bootstrap resampling có thể dùng để ước lượng tham số của mô hình tuyến tính. Sau đó, chúng ta áp dụng các phương pháp này để đưa ra các phát biểu xác suất về mức độ tin cậy đối với các tham số mô hình.
Nhập môn Mô hình tuyến tính với Python
Hoàn
thành khóa học
