Course Summary
This course teaches students about linear models and their applications in machine learning, statistics, and data analysis. Students will learn how to apply linear models to real-world problems and gain practical experience using software tools such as R and Python.Key Learning Points
- Gain a thorough understanding of linear models and their applications
- Learn how to apply linear models to real-world problems
- Gain practical experience using software tools such as R and Python
Related Topics for further study
Learning Outcomes
- Understand the theory behind linear models
- Apply linear models to real-world problems
- Gain practical experience using software tools such as R and Python
Prerequisites or good to have knowledge before taking this course
- Basic understanding of statistics
- Experience using R and/or Python
Course Difficulty Level
IntermediateCourse Format
- Online
- Self-paced
Similar Courses
- Applied Data Science with Python
- Machine Learning
Related Education Paths
Notable People in This Field
- Andrew Ng
- Kirk Borne
Related Books
Description
Oдним из условий применимости обычных линейных моделей является независимость наблюдений друг от друга, на основе которых подбирается модель. Однако на практике часто встречаются ситуации, когда дизайн сбора материала таков, что нарушение этого условия неизбежно. Представьте, что вы решили построить модель, описывающую связь успеваемости по физкультуре и величины IQ теста у студентов. Для решения этой задачи вы сделали многочисленные выборки в нескольких институтах. Можно ли объединить такие данные в один анализ, построенной по традиционной схеме? Конечно нет. Студенты в каждом вузе могут быть в чем-то сходными друг с другом. Даже характер связи между изучаемыми величинами может быть несколько разным. Такого рода данные, в которых присутствуют внутригрупповые корреляции, стоит анализировать при помощи смешанных линейных моделей. Мы покажем, что некоторые предикторы стоит включать в модель в качестве так называемых “случайных факторов”. Вы узнаете, что случайные факторы могут быть иерархически соподчинены. Мы обсудим, как такие смешанные модели могут быть построены для зависимых переменных подчиняющихся разным типам распределений. Кроме того, мы покажем, что случайная часть модели может быть устроена еще сложнее - в ней может быть компонент, моделирующий поведение дисперсии в ответ на влияние ковариаты. В конце курса вас ждет проект, в котором вы сможете потренироваться в построении смешанных моделей, выбрав один из нескольких датасетов. На основе анализа этих данных вы сможете создать отчет, выдержанный в традициях воспроизводимого исследования.
Outline
- Знакомство со смешанными линейными моделями
- Когда нужны смешанные модели
- Пример - недосып и время реакции
- Недосып. Почему обычные методы не работают?
- Фиксированные и случайные факторы
- GLMM со случайным отрезком
- Визуализация предсказаний GLMM со случайным отрезком
- Индуцированная корреляция
- Диагностика модели со случайным отрезком
- GLMM со случайным отрезком и углом наклона
- Визуализация предсказаний GLMM со случайным отрезком и углом наклона
- Диагностика модели со случайным отрезком и углом наклона
- Смешанные линейные модели
- Тестирование гипотез в смешанных моделях
- Что мы знаем и что будет дальше
- Обзор курса
- Знакомство со смешанными линейными моделями
- Моделирование структуры дисперсии в смешанных моделях
- “Эволюция” линейных моделей
- Пример – сексуальная активность мух
- Моделирование дисперсии
- Дисперсия может зависеть от непрерывной ковариаты
- Дисперсия может зависить от дискретного фактора
- Моделирование гетерогенности дисперсии – финальная модель
- Моделирование структуры дисперсии при наличии случайных факторов
- Модель со случайным фактором
- Моделируем структуру дисперсии
- Моделирование структуры дисперсии в смешанных моделях
- Смешанные линейные модели для счетных данных
- Счетные данные в смешанных моделях
- Пример – саламандры и добыча угля
- Смешанная модель с Пуассоновским распределением отклика.
- Диагностика моделей с Пуассоновским распределением. Избыточность дисперсии
- Смешанная модель с отрицательным биномиальным распределением отклика
- Диагностика модели с отрицательным биномиальным распределением отклика
- Тестирование гипотез
- Визуализация модели
- Что мы знаем и что будет дальше
- Материалы: Смешанные линейные модели для счетных данных
- Смешанные линейные модели для бинарных данных
- Что мы знаем про моделирование бинарных данных
- Пример -- морские звезды и мидии
- Знакомимся с данными
- Подбираем модель
- Дорабатываем модель
- Анализ итогов
- Визуализация модели
- Дополнительные штрихи к модели
- Что мы знаем и что важное осталось за рамками
- Материалы: Смешанные линейные модели для бинарных данных
Summary of User Reviews
Discover the world of linear models with Coursera's Smeshannye Lineynye Modeli course. Users praise the course's engaging content and clear explanations. However, some users find the course to be too math-heavy and challenging.Key Aspect Users Liked About This Course
engaging contentPros from User Reviews
- Clear explanations
- Excellent preparation for further study
- Great for those interested in data analysis
- Challenging and rewarding
Cons from User Reviews
- Too math-heavy for some users
- Requires a strong background in math
- Not suitable for beginners
- Some users find the course challenging
Смешанные линейные модели
- 0.0
-
![]()
![]()
![]()
![]()
![]()
Oдним из условий применимости обычных линейных моделей является независимость наблюдений друг от друга, на основе которых подбирается модель. Для решения этой задачи вы сделали многочисленные выборки в нескольких институтах....
