After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Generalized Additive Models là một công cụ mạnh mẽ cho cả dự đoán và suy luận. Linh hoạt hơn mô hình tuyến tính và dễ hiểu hơn các phương pháp hộp đen, GAM mô tả mối quan hệ trong dữ liệu bằng các hàm phi tuyến có khả năng thích ứng cao với nhiều loại dữ liệu và bài toán khoa học dữ liệu khác nhau. Trong khóa học này, bạn sẽ học cách GAM hoạt động và cách xây dựng chúng với gói mgcv phổ biến. Bạn sẽ học cách diễn giải, giải thích và trực quan hóa kết quả mô hình, cũng như cách chẩn đoán và khắc phục các vấn đề của mô hình. Bạn sẽ làm việc với các bộ dữ liệu minh họa cách áp dụng GAM trong nhiều tình huống: dữ liệu hiệu năng ô tô để xây dựng các mô hình tuyến tính và phi tuyến kết hợp, dữ liệu ô nhiễm đất để xây dựng mô hình địa không gian, và dữ liệu mua sắm của người tiêu dùng cho phân loại và dự đoán. Kết thúc khóa học, bạn sẽ có một bộ công cụ để giải quyết nhiều vấn đề trong khoa học dữ liệu.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Giới thiệu về Generalized Additive Models
Trong chương này, bạn sẽ học cách Generalized Additive Models hoạt động và cách dùng các hàm linh hoạt, phi tuyến để mô hình hóa dữ liệu mà không bị quá khớp. Bạn sẽ học cách dùng hàm gam() trong gói mgcv, và cách xây dựng các mô hình đa biến kết hợp hiệu ứng phi tuyến, tuyến tính và phân loại cho dữ liệu.
- Giới thiệu50 XP
- Dữ liệu tai nạn mô tô: cách tiếp cận tuyến tính100 XP
- Dữ liệu tai nạn xe máy: tiếp cận phi tuyến100 XP
- Các thành phần của hàm phi tuyến100 XP
- Hàm cơ sở và làm trơn50 XP
- Thiết lập độ phức tạp cho mô hình motorcycle100 XP
- Dùng tham số làm trơn để tránh overfitting100 XP
- Kết hợp độ phức tạp và mức làm trơn100 XP
- GAM đa biến50 XP
- GAM đa biến cho hiệu năng xe hơi100 XP
- Thêm biến phân loại vào mô hình hiệu suất xe100 XP
- Đường trơn theo từng hạng mục cho các loại xe khác nhau100 XP
2
Diễn giải và trực quan hóa GAM
Trong chương này, bạn sẽ xem xét kỹ hơn các mô hình đã fit ở chương 1 và học cách diễn giải cũng như giải thích chúng. Bạn sẽ học cách vẽ các biểu đồ cho thấy những biến khác nhau ảnh hưởng đến kết quả mô hình như thế nào. Sau đó, bạn sẽ chẩn đoán các vấn đề nảy sinh từ việc dưới khớp dữ liệu hoặc các mối quan hệ ẩn giữa các biến, và cách lặp lại để khắc phục các vấn đề đó nhằm đạt kết quả tốt hơn.
3
GAM không gian và tương tác
Trong chương này, bạn sẽ mở rộng các loại mô hình có thể fit sang những mô hình có tương tác giữa nhiều biến. Bạn sẽ fit các mô hình dữ liệu địa không gian bằng cách dùng các tương tác để mô hình hóa các bề mặt phức tạp và trực quan hóa các bề mặt đó trong 3D. Tiếp theo, bạn sẽ tìm hiểu về tương tác giữa biến trơn và biến phân loại, và cách mô hình hóa tương tác giữa các biến rất khác nhau như không gian và thời gian.
4
GAM logistic cho phân loại
Trong ba chương đầu, bạn đã dùng GAM cho hồi quy với đầu ra liên tục. Ở chương này, bạn sẽ dùng GAM cho phân loại. Bạn sẽ xây dựng GAM logistic để dự đoán các đầu ra nhị phân như hành vi mua hàng của khách, học cách trực quan hóa kiểu mô hình mới này, tạo dự đoán, và học cách giải thích các biến ảnh hưởng đến từng dự đoán.
R
Mô hình hóa phi tuyến với Generalized Additive Models (GAMs) trong R
Hoàn
thành khóa học
