Vispārējie lineārie modeļi - kurss 3600 rub. no Atvērtā izglītība, apmācība 3 nedēļas, apmēram 6 stundas nedēļā, Datums 2023. gada 29. novembris.
Literārs Mistrojums / / December 01, 2023
Viens no konvencionālo lineāro modeļu pielietojamības nosacījumiem ir novērojumu neatkarība vienam no otra, uz kuru pamata tiek izvēlēts modelis. Tomēr praksē nereti ir situācijas, kad materiālu kolekcijas dizains ir tāds, ka šī nosacījuma pārkāpšana ir neizbēgama. Iedomājieties, ka esat nolēmis izveidot modeli, kas apraksta attiecības starp fiziskās audzināšanas rezultātiem un IQ pārbaudes rezultātiem skolēnu vidū. Lai atrisinātu šo problēmu, jūs veidojāt vairākus paraugus vairākās iestādēs. Vai ir iespējams apvienot šādus datus vienā analīzē, kas veidota pēc tradicionālās shēmas? Protams, nē. Studenti katrā universitātē savā ziņā var būt līdzīgi viens otram. Pat pētāmo daudzumu attiecību raksturs var nedaudz atšķirties. Šāda veida dati, kuros pastāv grupas iekšējās korelācijas, jāanalizē, izmantojot lineāros jauktos modeļus. Mēs parādīsim, ka daži prognozētāji ir jāiekļauj modelī kā tā sauktie “nejaušie faktori”. Jūs uzzināsit, ka nejaušie faktori var būt hierarhiski pakārtoti. Mēs apspriedīsim, kā šādus jauktus modeļus var izveidot atkarīgiem mainīgajiem, kas seko dažāda veida sadalījumiem. Turklāt mēs parādīsim, ka modeļa nejaušā daļa var būt vēl sarežģītāka – tai var būt komponents, kas modelē dispersijas uzvedību, reaģējot uz kovariāta ietekmi. Kursa beigās jūs atradīsiet projektu, kurā varēsiet praktizēt jauktu modeļu veidošanu, izvēloties vienu no vairākām datu kopām. Pamatojoties uz šo datu analīzi, jūs varat izveidot ziņojumu pēc reproducējamu pētījumu tradīcijām.
Sanktpēterburgas Valsts universitātes Bioloģijas fakultātes Bezmugurkaulnieku zooloģijas katedras asociētais profesors, Ph.D.
Zinātniskās intereses: jūras bentosa kopienu struktūra un dinamika, telpiskie mērogi, sukcesija, starpsugu un iekšsugas biotiskā mijiedarbība, jūras bezmugurkaulnieku augšana un vairošanās, populāciju demogrāfiskā struktūra, mikroevolūcija, biostatistika.
Kurss sastāv no 4 moduļiem:
1) Ievads vispārinātajos lineārajos modeļos
Ģeneralizētie lineārie modeļi (GLM) ļauj modelēt tādu daudzumu uzvedību, kas neatbilst normālam sadalījumam. Lai atvieglotu jūsu pirmos soļus GLM pasaulē, mēs analizēsim to struktūru, izmantojot GLM piemēru normāli sadalītiem lielumiem - tādā veidā jūs varat vilkt paralēles ar vienkāršiem lineāriem modeļiem. Jūs uzzināsit, kas ir saites funkcija, kā darbojas maksimālā iespējamība un kā pārbaudīt GLM hipotēzes, izmantojot Valda testus un varbūtības koeficienta testus.
2) Modeļa izvēles problēma
Šajā modulī mēs runāsim par metodoloģiskiem jautājumiem, kas saistīti ar ēku modeļiem. Modelis ir vienkāršots realitātes attēlojums, un izvēle starp dažādām konkurējošām šādas vienkāršošanas metodēm ir biežs analītiķa uzdevums. Šajā modulī jūs iemācīsities salīdzināt modeļus, izmantojot informācijas kritērijus. Mēs apspriedīsim galvenās analīzes iespējas, izvēloties modeļus, un runāsim par grūtībām, kas rodas saistībā ar slēpto modeļu daudzveidību. Visbeidzot, mēs iemācīsim jums atpazīt galvenos modeļu atlases ļaunprātīgas izmantošanas veidus (datu zveja, p-datorurķēšana).
3) Vispārinātie lineārie modeļi datu skaitīšanai
Šajā modulī mēs apspriedīsim pamata metodes saskaitāmu daudzumu modelēšanai. Pirmkārt, mēs apspriedīsim, kāpēc parastie lineārie modeļi nav piemēroti datu skaitīšanai. Saskaitāmo sadalījumu īpašības palīdzēs izprast atšķirības starp saskaitāmo datu GLM veidiem un to diagnostikas funkcijām. Saites funkcija darbosies, vizualizējot GLM prognozes saites funkcijas skalā un atbildes mainīgā skalā.
4) Vispārināti lineāri modeļi ar bināro reakciju
Dažreiz ir nepieciešams simulēt, vai kāds notikums ir noticis vai nē, vai futbola komanda vai zaudēja, neatkarīgi no tā, vai pacients pēc ārstēšanas atveseļojās vai nē, vai klients ir izdarījis pirkt vai nē. Parastie lineārie modeļi nav piemēroti šādu bināro datu (notikumu ar diviem rezultātiem) modelēšanai, taču to var viegli izdarīt, izmantojot vispārinātus lineāros modeļus. Šajā modulī jūs iemācīsities modelēt notikumu iespējamības, attēlojot tās kā izredzes. Mēs apskatīsim, kā darbojas logit saites funkcija un kā tiek interpretēti GLM koeficienti, kad to izmanto. Visbeidzot, aizpildot datu analīzes projektu, jūs varēsiet praktizēt vispārinātu lineāro modeļu ar dažādiem sadalījumiem analīzi. Šīs analīzes rezultāti būs jāiesniedz kā ziņojums html formātā, kas rakstīts, izmantojot rmarkdown/knitr.
• Uzziniet, kādas prasmes ir nepieciešamas, lai sāktu darbu ar analīzi un datu zinātni.• Uzziniet, kā strādāt ar Excel, SQL, Power BI un Google Data Studio. datus un ierakstiet savu pirmo kodu programmā Python• Saņemiet detalizētu ceļvedi un uzziniet, kā iekļūt datu zinātnes jomā un izvēlēties lomu programmā Data Science
4,4
1 490 ₽