Chia Sẻ Khóa Học Data Science Trong Python - Regression & Forecasting [Khóa 7098 A]
Tìm hiểu Python cho Data Science & Machine Learning, đồng thời xây dựng các mô hình dự báo và hồi quy (regression và forecasting model) bằng các dự án thực hành.
Bạn sẽ học được gì:
- ✓ Nắm vững các nền tảng machine learning để phân tích hồi quy trong Python.
- ✓ Thực hiện exploratory data analysis về các tính năng của mô hình, mục tiêu và mối quan hệ giữa chúng.
- ✓ Xây dựng và giải thích các mô hình simple và multiple linear regression với Statsmodels và Scikit-Learn.
- ✓ Đánh giá hiệu suất của mô hình bằng các công cụ như hypothesis tests, residual plots, và mean error metrics.
- ✓ Chẩn đoán và khắc phục các vi phạm đối với các giả định của mô hình hồi quy tuyến tính.
- ✓ Tune và test các model của bạn với data splitting, validation và cross validation, cũng như model scoring.
- ✓ Tận dụng các thuật toán regularized regression để cải thiện hiệu suất và độ chính xác của test model.
- ✓ Sử dụng các kỹ thuật time series analysis để xác định xu hướng và tính thời vụ, thực hiện phân tách và dự báo các giá trị trong tương lai.
Đây là khóa học thực hành, dựa trên dự án được thiết kế để giúp bạn nắm vững nền tảng của regression analysis trong Python.
Chúng ta sẽ bắt đầu bằng cách xem xét data science workflow, thảo luận về các mục tiêu chính và các loại phân tích hồi quy, đồng thời tìm hiểu sâu về các bước lập mô hình hồi quy mà chúng ta sẽ sử dụng trong suốt khóa học.
Bạn sẽ học cách thực hiện exploratory data analysis, điều chỉnh các simple & multiple linear regression model, đồng thời xây dựng trực giác để diễn giải các mô hình và đánh giá hiệu suất của chúng bằng các công cụ như hypothesis tests, residual plots, và error metrics. Chúng ta cũng sẽ review các giả định của hồi quy tuyến tính và tìm hiểu cách chẩn đoán và khắc phục từng giả định.
Từ đó, chúng tôi sẽ đề cập đến các bước model testing & validation nhằm giúp đảm bảo các model của chúng tôi hoạt động tốt trên dữ liệu mới, chưa được xem, bao gồm các khái niệm về data splitting, tuning, và model selection. Bạn cũng sẽ tìm hiểu cách cải thiện hiệu suất model bằng cách tận dụng các kỹ thuật feature engineering và các thuật toán regularized regression.
Trong suốt khóa học, bạn sẽ đóng vai trò là Associate Data Scientist cho Maven Consulting Group trong một team tập trung vào chiến lược định giá cho khách hàng của họ. Sử dụng các kỹ năng học được trong suốt khóa học, bạn sẽ sử dụng Python để khám phá dữ liệu của họ và xây dựng mô hình hồi quy để giúp các công ty dự đoán chính xác giá cả và hiểu các biến số tác động đến chúng.
Cuối cùng nhưng không kém phần quan trọng, bạn sẽ được giới thiệu về các kỹ thuật time series analysis & forecasting. Bạn sẽ học cách phân tích xu hướng và tính thời vụ, thực hiện phân tách và dự báo các giá trị trong tương lai.
NỘI DUNG KHÓA HỌC:
1. Giới thiệu về Data Science:
- ✓ Giới thiệu các lĩnh vực của data science and machine learning, review các kỹ năng thiết yếu và giới thiệu từng giai đoạn của data science workflow.
2. Regression 101:
- ✓ Review cơ bản về hồi quy, bao gồm các thuật ngữ chính, loại và mục tiêu của phân tích hồi quy cũng như quy trình lập mô hình hồi quy.
3. Pre-Modeling Data Prep & EDA:
- ✓ Tóm tắt các bước chuẩn bị dữ liệu & EDA cần thiết để thực hiện modeling, bao gồm các kỹ thuật chính để khám phá mục tiêu, tính năng và mối quan hệ của chúng.
4. Simple Linear Regression:
- ✓ Xây dựng các simple linear regression model bằng Python và tìm hiểu về các metric cũng như statistical test giúp đánh giá chất lượng và output của chúng.
5. Multiple Linear Regression:
- ✓ Xây dựng các multiple linear regression model trong Python và đánh giá mức độ phù hợp của mô hình, thực hiện variable selection và so sánh các model bằng cách sử dụng error metrics.
6. Model Assumptions:
- ✓ Review các assumption của linear regression model cần đáp ứng để đảm bảo rằng các dự đoán và diễn giải của mô hình là hợp lệ.
7. Model Testing & Validation:
- ✓ Test model performance bằng cách splitting data, tuning model với train & validation data, chọn model tốt nhất và chấm điểm mô hình đó trên test data.
8. Feature Engineering:
- ✓ Áp dụng các kỹ thuật feature engineering cho các mô hình hồi quy, bao gồm dummy variables, interaction terms, binning, v.v.
9. Regularized Regression:
- ✓ Giới thiệu các kỹ thuật regularized regression, là các lựa chọn thay thế cho inear regression, bao gồm Ridge, Lasso, và Elastic Net regression.
10. Time Series Analysis:
- ✓ Tìm hiểu các phương pháp khám phá dữ liệu chuỗi thời gian và cách thực hiện time series forecasting bằng linear regression và Facebook Prophet.
Sẵn sàng để đi sâu vào? Hãy tham gia ngay hôm nay và nhận ngay quyền truy cập TRỌN ĐỜI vào những nội dung sau:
- ✓ 8,5 giờ video chất lượng cao.
- ✓ 14 bài tập về nhà.
- ✓ 10 quiz.
- ✓ 3 project.
- ✓ Data Science trong Python: Regression ebook (hơn 230 trang).
- ✓ Các tệp và giải pháp dự án có thể tải xuống.
- ✓ Diễn đàn hỗ trợ chuyên môn và hỏi đáp.
Nếu bạn là một nhà khoa học dữ liệu đầy tham vọng đang tìm kiếm phần giới thiệu về thế giới regression modeling bằng Python thì đây là khóa học dành cho bạn.
Chúc bạn học tập vui vẻ!
Khóa học này dành cho ai:
- ✓ Các Data analysts hoặc chuyên gia BI đang tìm cách chuyển sang vai trò khoa học dữ liệu.
- ✓ Người dùng Python muốn xây dựng các kỹ năng cốt lõi để áp dụng mô hình hồi quy trong Python.
- ✓ Bất kỳ ai quan tâm đến việc học một trong những ngôn ngữ lập trình nguồn mở phổ biến nhất trên thế giới.
NHẬN GET EBOOK TRÊN AMAZON THEO YÊU CẦU
