Kategorie: Analiza danych, statystyka, data science, AI, R
Szkolenie przeznaczone jest dla osób, które chcą poznać techniki modelowania danych wielowymiarowych wykraczające poza klasyczną regresję liniową czy logistyczną. Ideą szkolenia jest dokonanie przeglądu technik modelowania będących rozszerzeniami regresji liniowej. Każda z omawianych metod pozwala modelować dane, w sytuacjach, w których zwykły model liniowy zawodzi. Może to dotyczyć zarówno specyficznej postaci samych danych jak i skomplikowanych zależności pomiędzy nimi. Po ukończeniu szkolenia, uczestnik będzie potrafił dobrać odpowiednią do problemu, przed którym staje, technikę modelowania. Będzie także potrafił wykonać obliczenia w R oraz zinterpretować ich wyniki.
Program szkolenia kładzie dużo większy nacisk na praktyczne stosowania omawianych technik niż na stojącą za nimi teorię. Teoretyczne aspekty analizy danych są uczestnikom sygnalizowane, tak by byli oni świadomi nie tylko zalet ale też i wad stosowanych przez siebie metod.
Gros szkolenia stanowią warsztaty praktyczne, podczas których wykorzystywany jest język R. Podstawowa jego znajomość jest więc bardzo przydatnym atutem. Nie jest jednak obowiązkowa. Wszystkie wykorzystywane podczas szkolenia pakiety (czyli rozszerzenia) R są „samowystarczalne” – nie wymagają żadnej znajomości poleceń spoza omawianego podczas szkolenia obszaru.
Jedynym wymaganiem obowiązkowym jest podstawowa orientacja w temacie regresji liniowej. Uczestnik szkolenia powinien na wstępie wiedzieć kiedy stosuje się regresję liniową, co oznaczają jej parametry i jak ocenić, czy otrzymany w obliczeniach model dobrze pasuje do danych.
Czas trwania
3 dni
Program
- Regresja liniowa – szybkie przypomnienie
- GLM – uogólnione modele liniowe
- Regresja logistyczna
- Model log-liniowy
- Model Poissona
- Ujemny model dwumianowy (negative binomial model)
- Porządkowa regresja logistyczna (ordinal logistic regression)
- Regresja kwantylowa (quantile regression)
- Regresja ucięta (censored regression)
- Regresja ułamkowa (fractional regression)
- Model „schodkowy” (hurdle model)
- Model „z rozszerzonym zerem” (zero-inflated model)
- Beta regresja (beta regression)
- Model Tweedie-go (Tweedie model)
- LMM – liniowe modele mieszane (linear mixed models)
- GAM – uogólnione modele addytywne (generalized additive models)
- Metody wyboru zmiennych do modelu
- AIC
- Regresja grzbietowa (ridge regression), LASSO, sieć elastyczna (elastic net)
- Bootstrap
Training also available in English.
Przeznaczenie i wymagania
Brak szczegółowych wymagań wobec uczestników szkolenia.
Certyfikaty
Uczestnicy szkolenia otrzymują imienne certyfikaty sygnowane przez ALX.