Python中的数据科学:回归与预测

学习用于数据科学和机器学习的Python，并通过动手项目构建回归和预测模型，这是一门基于项目的实践课程，旨在帮助您掌握Python中回归分析的基础。我们将从回顾数据科学工作流开始，讨论回归分析的主要目标和类型，并深入探讨我们将在整个课程中使用的回归建模步骤。您将学习执行探索性数据分析，拟合简单和多元线性回归模型，并使用假设检验、残差图和误差度量等工具建立解释模型和评估其性能的直觉。我们还将回顾线性回归的假设，并学习如何诊断和修正每一个假设。从那里，我们将讨论模型测试和验证步骤，这些步骤有助于确保我们的模型在新的、看不见的数据上表现良好，包括数据分割、调优和模型选择的概念。您还将了解如何通过利用特征工程技术和正则化回归算法来提高模型性能。Data Science In Python: Regression & Forecasting

在整个课程中，您将在Maven Consulting Group的一个团队中扮演数据科学家助理的角色，该团队专注于为客户制定定价策略。利用您在整个课程中学到的技能，您将使用Python来探索他们的数据并构建回归模型，以帮助公司准确预测价格并了解影响价格的变量。最后但同样重要的是，您将了解时间序列分析和预测技术。你将学习分析趋势和季节性，执行分解，并预测未来的价值。课程大纲:数据科学简介介绍数据科学和机器学习领域，回顾基本技能，并介绍数据科学工作流程的每个阶段回归101回顾回归的基础知识，包括关键术语、回归分析的类型和目标，以及回归建模工作流程建模前数据准备和EDA回顾执行建模所需的数据准备和EDA步骤，包括探索目标、功能， 及其关系简单的线性回归在Python中构建简单的线性回归模型，了解有助于评估模型质量和输出的指标和统计测试多重线性回归在Python中构建多重线性回归模型，评估模型拟合度，执行变量选择，并使用误差指标比较模型模型假设检查需要满足的线性回归模型的假设，以确保模型的预测和解释是有效的模型测试和验证通过拆分数据测试模型性能， 使用训练和验证数据调整模型，选择最佳模型，并对测试数据进行评分特征工程将特征工程技术应用于回归模型，包括虚拟变量、交互项、宁滨和更多正则化回归介绍正则化回归技术，这些技术是线性回归的替代方法，包括岭回归、套索回归和弹性网回归时间序列分析了解探索时间序列数据的方法，以及如何使用线性回归和脸书预言家 进行时间序列预测准备好开始了吗？ 立即加入并终身获得以下内容:8.5小时的高质量视频14个家庭作业10个测验3个项目Python中的数据科学:回归电子书(230多页)可下载的项目文件和解决方案专家支持和问答论坛30天ude我的满意度保证如果您是一名有抱负的数据科学家，正在寻找关于Python回归建模世界的介绍，那么本课程就是为您准备的。快乐学习！-Chris Bruehl(数据科学专家兼Maven Analytics首席Python讲师)

MP4 |视频:h264，1280×720 |音频:AAC，44.1 KHz
语言:英语|大小:2.47 GB |时长:8小时31分钟

你会学到什么
掌握Python中回归分析的机器学习基础
对模型特征、目标以及它们之间的关系执行探索性数据分析
使用Statsmodels和Scikit-Learn构建和解释简单和多元线性回归模型
使用假设检验、残差图和平均误差度量等工具评估模型性能
诊断并修复违反线性回归模型假设的情况
通过数据拆分、验证和交叉验证以及模型评分来调整和测试您的模型
利用正则化回归算法来提高测试模型的性能和准确性
采用时间序列分析技术来识别趋势和季节性，进行分解，并预测未来值

要求
我们强烈建议您先学习我们的数据准备和EDA课程
Jupyter笔记本(免费下载，我们将逐步安装)
建议您熟悉基本的Python和Pandas，但这不是必需的

描述