Build your ultimate AI agent
Mô tả khóa học
Trong khóa học này, bạn sẽ học cách mô hình hóa với dữ liệu. Mô hình cố gắng nắm bắt mối quan hệ giữa biến kết quả bạn quan tâm và một loạt biến giải thích/dự báo. Những mô hình như vậy có thể dùng cho cả mục đích giải thích, ví dụ: "Biết độ tuổi của giảng viên có giúp giải thích điểm đánh giá giảng dạy của họ không?", và mục đích dự báo, ví dụ: "Chúng ta có thể dự đoán giá một căn nhà dựa trên diện tích và tình trạng của nó tốt đến mức nào?" Bạn sẽ tận dụng kỹ năng tidyverse để xây dựng và diễn giải các mô hình đó. Khóa học này tập trung vào hồi quy tuyến tính, một trong những phương pháp mô hình hóa phổ biến và dễ hiểu nhất. Cách mô hình hóa và tư duy này được sử dụng rộng rãi trong nhiều lĩnh vực, bao gồm thống kê, suy luận nhân quả, Machine Learning và trí tuệ nhân tạo.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Giới thiệu về mô hình hóa
Chương này sẽ giới thiệu cho bạn một số lý thuyết nền tảng và thuật ngữ về mô hình hóa, cụ thể là khung mô hình tổng quát, sự khác nhau giữa mô hình hóa để giải thích và mô hình hóa để dự đoán, và bài toán mô hình hóa. Bên cạnh đó, bạn sẽ bắt đầu thực hiện phân tích dữ liệu khám phá đầu tiên — một bước khởi đầu quan trọng trước bất kỳ mô hình hóa chính thức nào.
- Kiến thức nền về mô hình hóa để giải thích50 XP
- Trực quan thăm dò về tuổi100 XP
- Tóm tắt số liệu cho tuổi100 XP
- Kiến thức nền về mô hình hóa cho dự đoán50 XP
- Khám phá trực quan về kích thước nhà100 XP
- Biến đổi log10 cho diện tích nhà100 XP
- Bài toán mô hình hóa để giải thích50 XP
- EDA về mối quan hệ giữa điểm đánh giá giảng dạy và điểm "đẹp"100 XP
- Tương quan giữa điểm giảng dạy và điểm "đẹp"100 XP
- Bài toán mô hình hóa cho mục tiêu dự đoán50 XP
- EDA về mối quan hệ giữa giá nhà và mặt nước100 XP
- Dự đoán giá nhà với waterfront100 XP
2
Mô hình hóa với hồi quy cơ bản
Với hiểu biết về khung mô hình tổng quát, ở chương này, chúng ta sẽ đề cập đến hồi quy tuyến tính cơ bản, nơi bạn giữ mọi thứ đơn giản và mô hình hóa biến kết quả y như một hàm của một biến giải thích/dự báo x duy nhất. Chúng ta sẽ dùng cả biến x dạng số và dạng phân loại. Biến kết quả được quan tâm trong chương này sẽ là điểm đánh giá giảng dạy của các giảng viên tại Đại học Texas, Austin.
3
Mô hình hóa với hồi quy bội
Ở chương trước, bạn đã học về hồi quy cơ bản với một biến dự báo dạng số hoặc dạng phân loại. Nhưng tại sao lại chỉ giới hạn ở một biến để hỗ trợ giải thích/dự đoán? Giờ bạn sẽ mở rộng hồi quy cơ bản thành hồi quy bội, cho phép đưa vào nhiều hơn một biến giải thích hoặc biến dự báo trong mô hình. Bạn sẽ mô hình hóa giá nhà bằng một bộ dữ liệu các căn nhà ở khu vực đô thị Seattle, WA.
4
Đánh giá và lựa chọn mô hình
Ở các chương trước, bạn đã khớp nhiều mô hình để giải thích hoặc dự đoán một biến kết quả quan tâm. Tuy nhiên, làm sao biết nên chọn mô hình nào? Các thước đo đánh giá mô hình cho phép bạn đánh giá mức độ một mô hình giải thích "phù hợp" với một bộ dữ liệu hoặc độ chính xác của một mô hình dự báo. Dựa trên các thước đo này, bạn sẽ tìm hiểu về các tiêu chí để xác định mô hình nào là "tốt nhất".
R
Mô hình hóa với dữ liệu trong Tidyverse
Hoàn
thành khóa học
