Este curso forma parte de Programa especializado: Statistical Modeling for Data Science Applications

Brian Zaharatos

2204 ya inscrito

Ofrecido Por

¿Quieres obtener crédito para un título de grado? Averigua cómo hacerlo.

Puedes obtener créditos de la Universidad de Colorado en Boulder que cuentan para la Master of Science in Data Science

Programa especializado: Statistical Modeling for Data Science ApplicationsUniversidad de Colorado en Boulder

Acerca de este Curso

12.529 vistas recientes

In the final course of the statistical modeling for data science program, learners will study a broad set of more advanced statistical modeling tools. Such tools will include generalized linear models (GLMs), which will provide an introduction to classification (through logistic regression); nonparametric modeling, including kernel estimators, smoothing splines; and semi-parametric generalized additive models (GAMs). Emphasis will be placed on a firm conceptual understanding of these tools. Attention will also be given to ethical issues raised by using complicated statistical models.
This course can be taken for academic credit as part of CU Boulder’s Master of Science in Data Science (MS-DS) degree offered on the Coursera platform. The MS-DS is an interdisciplinary degree that brings together faculty from CU Boulder’s departments of Applied Mathematics, Computer Science, Information Science, and others. With performance-based admissions and no application process, the MS-DS is ideal for individuals with a broad range of undergraduate education and/or professional experience in computer science, information science, mathematics, and statistics. Learn more about the MS-DS program at https://www.coursera.org/degrees/master-of-science-data-science-boulder.

Logo adapted from photo by Vincent Ledvina on Unsplash

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Certificado para compartir

Obtén un certificado al finalizar

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Laboratorios de Coursera

Incluye proyectos de aprendizaje prácticos.

Obtén más información sobre los laboratorios de Coursera

Curso 3 de 3 en

Programa especializado: Statistical Modeling for Data Science Applications

Nivel intermedio

Calculus, linear algebra, and probability theory.

Aprox. 42 horas para completar

Inglés (English)

Habilidades que obtendrás

Calculus
and probability theory.
Linear Algebra

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Certificado para compartir

Obtén un certificado al finalizar

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Laboratorios de Coursera

Incluye proyectos de aprendizaje prácticos.

Obtén más información sobre los laboratorios de Coursera

Curso 3 de 3 en

Programa especializado: Statistical Modeling for Data Science Applications

Nivel intermedio

Calculus, linear algebra, and probability theory.

Aprox. 42 horas para completar

Inglés (English)

Instructor

Calificación del instructor

4,59/5 (5 calificaciones)

Brian Zaharatos

Director, Professional Master’s Degree in Applied Mathematics

Department of Applied Mathematics

6136 alumnos

3 cursos

Ofrecido por

Universidad de Colorado en Boulder

Comienza a trabajar para obtener tu título

Este curso forma parte de un programa de grado ofrecido por Universidad de Colorado en Boulder. Si te inscribes en un curso sin título de grado a través de la universidad y lo completas en línea, cuenta como horas de crédito para un programa de grado en CU-Boulder. Todo lo que tienes que hacer es solicitarlo a través de la universidad.

Master of Science in Data Science

Universidad de Colorado en Boulder

Inscríbete para obtener créditos

Programa - Qué aprenderás en este curso

Semana

Semana 1

12 horas para completar

An Introduction to Generalized Linear Models Through Binomial Regression

In this module, we will introduce generalized linear models (GLMs) through the study of binomial data. In particular, we will motivate the need for GLMs; introduce the binomial regression model, including the most common binomial link functions; correctly interpret the binomial regression model; and consider various methods for assessing the fit and predictive power of the binomial regression model.

12 horas para completar

7 videos (Total 75 minutos), 3 lecturas, 7 cuestionarios

7 videos

From Linear Models to Generalized Linear Models12m

The Components of a GLM6m

The Exponential Family of Distributions14m

Introduction to Binomial Regression9m

Binomial Regression Parameter Estimation11m

Interpretation of Binomial Regression7m

Binomial Regression in R11m

3 lecturas

Welcome and Where to Find Help 10m

Information on Peer Reviews10m

FairML Book, Introduction10m

3 ejercicios de práctica

Introduction to Generalized Linear Models30m

Binomial Regression30m

Binomial Regression Inference30m

Semana

Semana 2

9 horas para completar

Models for Count Data

In this module, we will consider how to model count data. When the response variable is a count of some phenomenon, and when that count is thought to depend on a set of predictors, we can use Poisson regression as a model. We will describe the Poisson regression in some detail and use Poisson regression on real data. Then, we will describe situations in which Poisson regression is not appropriate, and briefly present solutions to those situations.

9 horas para completar

7 videos (Total 83 minutos)

Semana

Semana 3

9 horas para completar

Introduction to Nonparametric Regression

9 horas para completar

6 videos (Total 66 minutos)

Semana

Semana 4

12 horas para completar

Introduction to Generalized Additive Models

Some models, such as linear regression, are easily interpretable, but inflexible, in that they don't capture many real-world relationships accurately. Other models, such as neural networks, are quite flexible, but very difficult to interpret. Generalized additive models (GAMs) are a nice balance between flexibility and interpretability. In this module, we will further motivate GAMs, learn the basic mathematics of fitting GAMs, and implementing them on simulated and real data in R.

12 horas para completar

6 videos (Total 81 minutos), 1 lectura, 4 cuestionarios

6 videos

Motivating Generalized Additive Models17m

Generalized Additive Models in R16m

Inference with Generalized Additive Models: Effective Degrees of Freedom12m

Inference with Generalized Additive Models: Tests4m

Generalized Additive Models in R: Inference and Interpretation13m

Generalized Additive Models: A Complete Example with Real Data16m

1 lectura

Required: Generalized additive models for data science10m

2 ejercicios de práctica

Generalized Additive Models: Basics30m

Generalized Additive Models: Inference and Data Analysis30m

Acerca de Programa especializado: Statistical Modeling for Data Science Applications

Statistical modeling lies at the heart of data science. Well crafted statistical models allow data scientists to draw conclusions about the world from the limited information present in their data. In this three credit sequence, learners will add some intermediate and advanced statistical modeling techniques to their data science toolkit. In particular, learners will become proficient in the theory and application of linear regression analysis; ANOVA and experimental design; and generalized linear and additive models. Emphasis will be placed on analyzing real data using the R programming language.

This specialization can be taken for academic credit as part of CU Boulder’s Master of Science in Data Science (MS-DS) degree offered on the Coursera platform. The MS-DS is an interdisciplinary degree that brings together faculty from CU Boulder’s departments of Applied Mathematics, Computer Science, Information Science, and others. With performance-based admissions and no application process, the MS-DS is ideal for individuals with a broad range of undergraduate education and/or professional experience in computer science, information science, mathematics, and statistics. Learn more about the MS-DS program at https://www.coursera.org/degrees/master-of-science-data-science-boulder. Logo adapted from photo by Vincent Ledvina on Unsplash

Statistical Modeling for Data Science Applications

Preguntas Frecuentes

¿Cuándo podré acceder a las lecciones y tareas?
El acceso a las clases y las asignaciones depende del tipo de inscripción que tengas. Si tomas un curso en modo de oyente, verás la mayoría de los materiales del curso en forma gratuita. Para acceder a asignaciones calificadas y obtener un certificado, deberás comprar la experiencia de Certificado, ya sea durante o después de participar como oyente. Si no ves la opción de oyente:
es posible que el curso no ofrezca la opción de participar como oyente. En cambio, puedes intentar con una Prueba gratis o postularte para recibir ayuda económica.
Es posible que el curso ofrezca la opción 'Curso completo, sin certificado'. Esta opción te permite ver todos los materiales del curso, enviar las evaluaciones requeridas y obtener una calificación final. También significa que no podrás comprar una experiencia de Certificado.
¿Qué recibiré si me suscribo a este Programa especializado?
Cuando te inscribes en un curso, obtienes acceso a todos los cursos que forman parte del Programa especializado y te darán un Certificado cuando completes el trabajo. Se añadirá tu Certificado electrónico a la página Logros. Desde allí, puedes imprimir tu Certificado o añadirlo a tu perfil de LinkedIn. Si solo quieres leer y visualizar el contenido del curso, puedes auditar el curso sin costo.
¿Hay ayuda económica disponible?
Sí. En ciertos programas de aprendizaje, puedes postularte para recibir ayuda económica o una beca en caso de no poder costear los gastos de la tarifa de inscripción. Si hay ayuda económica o becas disponibles para tu selección de programa de aprendizaje, verás un enlace para postularte en la página de descripción.

¿Tienes más preguntas? Visita el Centro de Ayuda al Estudiante.

Generalized Linear Models and Nonparametric Regression

Acerca de este Curso

Habilidades que obtendrás