Im letzten Kurs des Programms Statistische Modellierung für Datenwissenschaft lernen die Teilnehmer eine breite Palette von fortgeschrittenen statistischen Modellierungswerkzeugen kennen. Dazu gehören verallgemeinerte lineare Modelle (GLMs), die eine Einführung in die Klassifizierung (durch logistische Regression) bieten, nichtparametrische Modellierung, einschließlich Kernel-Schätzer, Glättungssplines und semi-parametrische verallgemeinerte additive Modelle (GAMs). Der Schwerpunkt liegt auf einem soliden konzeptionellen Verständnis dieser Instrumente. Auch ethische Fragen, die sich bei der Verwendung komplizierter statistischer Modelle stellen, werden behandelt. Dieser Kurs kann im Rahmen des Master of Science in Data Science (MS-DS) der CU Boulder, der auf der Coursera-Plattform angeboten wird, als akademischer Kurs belegt werden. Der MS-DS ist ein interdisziplinärer Studiengang, der Lehrkräfte aus den Fachbereichen Angewandte Mathematik, Informatik, Informationswissenschaften und anderen Bereichen der CU Boulder zusammenbringt. Da die Zulassung leistungsabhängig ist und es kein Bewerbungsverfahren gibt, ist der MS-DS ideal für Personen mit einem breiten Spektrum an grundständiger Ausbildung und/oder Berufserfahrung in Informatik, Informationswissenschaft, Mathematik und Statistik. Erfahren Sie mehr über das MS-DS-Programm unter https://www.coursera.org/degrees/master-of-science-data-science-boulder. Logo angepasst von Foto von Vincent Ledvina auf Unsplash
Schenken Sie Ihrer Karriere Coursera Plus mit einem Rabatt von $160 , der jährlich abgerechnet wird. Sparen Sie heute.
Verallgemeinerte lineare Modelle und nichtparametrische Regression
Dieser Kurs ist Teil von Spezialisierung Statistische Modellierung für datenwissenschaftliche Anwendungen
Dozent: Brian Zaharatos
4.168 bereits angemeldet
Bei enthalten
(18 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
Beschreiben Sie, wie Sie das lineare Modell verallgemeinern können, um Daten zu berücksichtigen, die sich nicht für das standardmäßige lineare Regressionsmodell eignen.
Nennen Sie einige Vor- und Nachteile von (verallgemeinerten) additiven Modellen.
Beschreiben Sie, wie ein additives Modell verallgemeinert werden kann, um nicht-normale Antwortvariablen einzubeziehen (d.h. definieren Sie ein verallgemeinertes additives Modell).
Kompetenzen, die Sie erwerben
- Kategorie: Infinitesimalrechnung
- Kategorie: und Wahrscheinlichkeitsrechnung.
- Kategorie: Lineare Algebra
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
8 Quizzes
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 4 Module
In diesem Modul werden wir verallgemeinerte lineare Modelle (GLMs) anhand der Untersuchung von Binomialdaten vorstellen. Insbesondere werden wir die Notwendigkeit von GLMs begründen, das binomische Regressionsmodell einschließlich der gebräuchlichsten binomischen Verknüpfungsfunktionen vorstellen, das binomische Regressionsmodell korrekt interpretieren und verschiedene Methoden zur Bewertung der Anpassung und Vorhersagekraft des binomischen Regressionsmodells betrachten.
Das ist alles enthalten
7 Videos4 Lektüren3 Quizzes2 Programmieraufgaben2 peer reviews1 Diskussionsthema2 Unbewertete Labore
In diesem Modul werden wir uns mit der Modellierung von Zähldaten befassen. Wenn die Antwortvariable eine Zählung eines bestimmten Phänomens ist und diese Zählung von einer Reihe von Prädiktoren abhängen soll, können wir die Poisson-Regression als Modell verwenden. Wir werden die Poisson-Regression im Detail beschreiben und die Poisson-Regression auf reale Daten anwenden. Dann werden wir Situationen beschreiben, in denen die Poisson-Regression nicht geeignet ist, und kurz Lösungen für diese Situationen vorstellen.
Das ist alles enthalten
7 Videos2 Quizzes1 Programmieraufgabe1 peer review3 Unbewertete Labore
In diesem Modul werden wir das Konzept eines nichtparametrischen Regressionsmodells vorstellen. Wir werden diesen Begriff mit den parametrischen Modellen vergleichen, die wir bisher untersucht haben. Dann werden wir bestimmte nichtparametrische Regressionsmodelle untersuchen: Kernel-Schätzer und Splines. Schließlich werden wir additive Modelle als eine Mischung aus parametrischen und nichtparametrischen Methoden vorstellen.
Das ist alles enthalten
6 Videos1 Quiz1 Programmieraufgabe1 peer review3 Unbewertete Labore
Einige Modelle, wie z.B. die lineare Regression, sind leicht zu interpretieren, aber unflexibel, da sie viele Beziehungen in der realen Welt nicht genau erfassen. Andere Modelle, wie z.B. neuronale Netze, sind zwar recht flexibel, aber sehr schwer zu interpretieren. Verallgemeinerte additive Modelle (GAMs) sind ein guter Kompromiss zwischen Flexibilität und Interpretierbarkeit. In diesem Modul werden wir GAMs weiter motivieren, die mathematischen Grundlagen der Anpassung von GAMs erlernen und sie auf simulierten und realen Daten in R implementieren.
Das ist alles enthalten
6 Videos1 Lektüre2 Quizzes1 Programmieraufgabe1 peer review3 Unbewertete Labore
Dozent
Empfohlen, wenn Sie sich für Wahrscheinlichkeitsrechnung und Statistik interessieren
Coursera Project Network
University of Colorado Boulder
University of Colorado Boulder
Auf einen Abschluss hinarbeiten
Dieses Kurs ist Teil des/der folgenden Studiengangs/Studiengänge, die von University of Colorado Boulderangeboten werden. Wenn Sie zugelassen werden und sich immatrikulieren, können Ihre abgeschlossenen Kurse auf Ihren Studienabschluss angerechnet werden und Ihre Fortschritte können mit Ihnen übertragen werden.¹
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 18
18 Bewertungen
- 5 stars
77,77 %
- 4 stars
0 %
- 3 stars
11,11 %
- 2 stars
5,55 %
- 1 star
5,55 %
Geprüft am 27. Juni 2023
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.