Regression Analysis and Model Interpretability in Python

การสร้างโมเดลคาดการณ์เป็นรากฐานสำคัญของ data science แต่การสร้างโมเดลเป็นเพียงครึ่งหนึ่งของสมการ เพื่อให้เกิดผลกระทบในโลกแห่งความเป็นจริง คุณต้องเข้าใจวิธีการปรับปรุงข้อมูลของคุณและอธิบายว่าทำไมโมเดลของคุณจึงทำการคาดการณ์ที่เฉพาะเจาะจง หลักสูตรนี้มอบเส้นทางที่ชัดเจนตั้งแต่หลักการพื้นฐานทางสถิติไปจนถึงการตีความโมเดลขั้นสูง คุณจะเปลี่ยนจากผู้เริ่มต้นไปสู่ผู้ปฏิบัติงานที่สามารถสร้างโมเดล regression ที่แข็งแกร่งและตีความได้ โดยมุ่งเน้นทั้งหลักการทางคณิตศาสตร์และการนำไปใช้กับ Python สมัยใหม่ คุณจะได้เรียนรู้วิธีจัดการกับชุดข้อมูลที่ซับซ้อนและส่งมอบผลลัพธ์ที่โปร่งใสซึ่งผู้มีส่วนได้ส่วนเสียสามารถไว้วางใจได้ สิ่งที่คุณจะได้เรียนรู้: - เข้าใจหลักการสำคัญของโมเดล linear และ non-linear regression - ใช้ Lasso และ Ridge regularization เพื่อปรับปรุงการสรุปผลของโมเดล - ทำการเลือก feature และการลบค่าผิดปกติเพื่อทำความสะอาดและปรับปรุงชุดข้อมูลให้เหมาะสม - ตีความการคาดการณ์ของโมเดลโดยใช้ SHAP และ LIME สำหรับ machine learning ที่โปร่งใส - ใช้ Yellowbrick สำหรับการวินิจฉัยโมเดลในรูปแบบภาพผ่านการวิเคราะห์ที่เป็นลายลักษณ์อักษร - ฝึกฝนมาตรฐานการเขียนโค้ดที่สะอาดด้วย type hints และ data structures สมัยใหม่ของ Python - นำเวิร์กโฟลว์ที่แข็งแกร่งไปใช้สำหรับการประเมินและปรับแต่งประสิทธิภาพของโมเดล หลักสูตรเริ่มต้นด้วยคำศัพท์ที่จำเป็นและเทคนิคการเตรียมข้อมูลก่อนที่จะเข้าสู่กลไกของ regression ประเภทต่างๆ จากนั้นคุณจะได้สำรวจหัวข้อขั้นสูงในด้านความโปร่งใสของโมเดลและการทดสอบการวินิจฉัยเพื่อให้แน่ใจว่าการคาดการณ์ของคุณทั้งถูกต้องและสามารถอธิบายได้ หลักสูตรนี้ออกแบบมาสำหรับผู้เริ่มต้นและนักวิเคราะห์ข้อมูลที่ต้องการสร้างรากฐานที่แข็งแกร่งในการสร้างโมเดลคาดการณ์โดยไม่จำเป็นต้องมีประสบการณ์มาก่อน เริ่มต้นฝึกฝนศิลปะของการวิเคราะห์ regression ที่ตีความได้แล้ววันนี้