Dans le dernier cours du programme de modélisation statistique pour la science des données, les apprenants étudieront un large éventail d'outils de modélisation statistique plus avancés. Ces outils incluront les modèles linéaires généralisés (GLM), qui fourniront une introduction à la classification (par le biais de la régression logistique) ; la modélisation non paramétrique, y compris les estimateurs à noyau, les splines de lissage ; et les modèles additifs généralisés semi-paramétriques (GAM). L'accent sera mis sur une bonne compréhension conceptuelle de ces outils. Une attention sera également accordée aux questions éthiques soulevées par l'utilisation de modèles statistiques compliqués. Ce cours peut être suivi pour des crédits académiques dans le cadre du Master of Science in Data Science (MS-DS) de CU Boulder offert sur la plate-forme Coursera. Le MS-DS est un diplôme interdisciplinaire qui réunit des professeurs des départements de mathématiques appliquées, d'informatique, de sciences de l'information et d'autres départements du CU Boulder. Avec des admissions basées sur la performance et aucun processus de candidature, le MS-DS est idéal pour les personnes ayant un large éventail d'études de premier cycle et / ou d'expérience professionnelle en informatique, en sciences de l'information, en mathématiques et en statistiques. Pour en savoir plus sur le programme MS-DS, consultez le site https://roshoesn.top/degrees/master-of-science-data-science-boulder. Logo adapté d'une photo de Vincent Ledvina sur Unsplash
Modèles linéaires généralisés et régression non paramétrique
Ce cours fait partie de Spécialisation Modélisation statistique pour les applications de la science des données
Instructeur : Brian Zaharatos
4 371 déjà inscrits
Inclus avec 
(20 avis)
Expérience recommandée
Ce que vous apprendrez
Décrivez comment généraliser le cadre du modèle linéaire pour prendre en compte les données qui ne conviennent pas au modèle de régression linéaire standard.
Citez quelques avantages et inconvénients des modèles additifs (généralisés).
Décrivez comment un modèle additif peut être généralisé pour intégrer des variables de réponse non normales (c'est-à-dire définissez un modèle additif généralisé).
Compétences que vous acquerrez
- Catégorie : Probabilités et statistiques
- Catégorie : Régression
- Catégorie : Statistiques Générales
Détails à connaître
Ajouter à votre profil LinkedIn
8 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 4 modules dans ce cours
Dans ce module, nous introduirons les modèles linéaires généralisés (GLM) à travers l'étude de données binomiales. En particulier, nous justifierons la nécessité des GLM ; nous présenterons le modèle de régression binomiale, y compris les fonctions de lien binomial les plus courantes ; nous interpréterons correctement le modèle de régression binomiale ; et nous envisagerons diverses méthodes pour évaluer l'adéquation et le pouvoir prédictif du modèle de régression binomiale.
Inclus
7 vidéos4 lectures3 devoirs2 devoirs de programmation2 évaluations par les pairs1 sujet de discussion2 laboratoires non notés
Dans ce module, nous verrons comment modéliser les données de comptage. Lorsque la variable réponse est un nombre de phénomènes et que l'on pense que ce nombre dépend d'un ensemble de prédicteurs, nous pouvons utiliser la régression de Poisson comme modèle. Nous décrirons la régression de Poisson en détail et l'utiliserons sur des données réelles. Ensuite, nous décrirons les situations dans lesquelles la régression de Poisson n'est pas appropriée et nous présenterons brièvement des solutions à ces situations.
Inclus
7 vidéos2 devoirs1 devoir de programmation1 évaluation par les pairs3 laboratoires non notés
Dans ce module, nous introduirons le concept de modèle de régression non paramétrique. Nous opposerons cette notion aux modèles paramétriques que nous avons étudiés jusqu'à présent. Ensuite, nous étudierons des modèles de régression non paramétriques particuliers : les estimateurs à noyau et les splines. Enfin, nous présenterons les modèles additifs comme un mélange de méthodes paramétriques et non paramétriques.
Inclus
6 vidéos1 devoir1 devoir de programmation1 évaluation par les pairs3 laboratoires non notés
Certains modèles, tels que la régression linéaire, sont facilement interprétables, mais peu flexibles, en ce sens qu'ils ne rendent pas compte avec précision de nombreuses relations du monde réel. D'autres modèles, tels que les réseaux neuronaux, sont assez souples, mais très difficiles à interpréter. Les modèles additifs généralisés (GAM) constituent un bon équilibre entre flexibilité et interprétabilité. Dans ce module, nous allons motiver davantage les GAM, apprendre les mathématiques de base de l'ajustement des GAM, et les mettre en œuvre sur des données simulées et réelles dans R.
Inclus
6 vidéos1 lecture2 devoirs1 devoir de programmation1 évaluation par les pairs3 laboratoires non notés
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Probabilités et Statistiques
University of Colorado Boulder
Coursera Project Network
University of Colorado Boulder
Préparer un diplôme
Ce site cours fait partie du (des) programme(s) diplômant(s) suivant(s) proposé(s) par University of Colorado Boulder. Si vous êtes admis et que vous vous inscrivez, les cours que vous avez suivis peuvent compter pour l'apprentissage de votre diplôme et vos progrès peuvent être transférés avec vous.¹
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
20 avis
- 5 stars
75 %
- 4 stars
0 %
- 3 stars
10 %
- 2 stars
5 %
- 1 star
10 %
Affichage de 3 sur 20
Révisé le 28 juin 2023
The pace of instruction is excellent and the assignments make it easy to translate theory to practice.
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.
Si vous vous êtes abonné, vous bénéficiez d'une période d'essai gratuite de 7 jours pendant laquelle vous pouvez annuler votre abonnement sans pénalité. Après cette période, nous ne remboursons pas, mais vous pouvez résilier votre abonnement à tout moment. Consultez notre politique de remboursement complète.