访问
一生
内容
5个小时
已入学
225
描述
线性回归是一种强大的方法，可以量化影响我们周围世界中不同现象的因果关系。本课程将教您如何构建健壮的线性模型，当您将其应用于实际情况时，将经过仔细审查。您甚至可以利用Excel，R和Python将所学知识付诸实践，以建立股票收益模型。- 可访问40个讲座和5个小时的内容24/7
- 最小二乘法的覆盖方法，解释方差和预测结果
- 探索残差和关于残差的假设
- 在Excel，R和Python中实现简单多元回归
- 解释回归结果并避免常见的陷阱
- 介绍一个分类变量
腰果由四个人组成-Janani Ravi，Vitthal Srinivasan，Swetha Kolalapudi和Navdeep Singh，他们在Google和Flipkart磨练了自己的技术专长。该团队认为，它已经将复杂的技术概念的教学提炼为有趣，实用，引人入胜的课程，并很高兴与渴望的学生分享其内容。
细节& Requirements
- 用户可以访问此课程的时间长度：生命周期
- 访问选项：Web流，移动流
- 不包括结业证书
- 兑换期限：购买后30天内兑换代码
- 要求的经验水平：所有水平
条款
- 购买后的30天内，可以将未兑换的许可证退还以获得商店信用。兑换许可证后，所有销售将是最终的。
课程大纲
- 介绍
- 您，本课程和我们（1:54）
- 用线性回归连接点
- 使用线性回归连接点（9:04）
- 回归的两种常见应用（5:24）
- 扩展线性回归以拟合非线性关系（2:36）
- 用于回归的基本统计量
- 了解均值和方差（6:03）
- 了解随机变量（16:54）
- 正态分布（9:31）
- 简单回归
- 设置回归问题（11:36）
- 使用简单回归解释因果关系（4:57）
- 使用简单回归解释方差（8:07）
- 使用简单回归进行预测（4:04）
- 解释回归结果（7:25）
- 降低简单回归中的风险（7:56）
- 使用Excel应用简单回归
- 在Excel中应用简单回归（11:57）
- 在R中应用简单回归（11:14）
- 在Python中应用简单回归（6:05）
- 多重回归
- 引入多元回归（7:03）
- 多元回归固有的一些风险（10:06）
- 多元回归的好处（3:48）
- 引入分类变量（6:58）
- 解释回归结果-调整后的R平方（7:02）
- 解释回归结果-系数的标准误差（8:12）
- 解释回归结果-t统计量和p值（5:32）
- 解释回归结果-F统计（2:52）
- 使用Excel应用多元回归
- 在Excel中实现多元回归（8:54）
- 在R中实现多元回归（6:26）
- 在Python中实现多元回归（4:21）
- 分类因变量的Logistic回归
- 了解逻辑回归的需求（9:24）
- 设置逻辑回归问题（6:02）
- Logistic回归的应用（9:55）
- 线性回归和逻辑回归之间的联系（8:13）
- Logistic回归与机器学习之间的联系（4:16）
- 解决逻辑回归
- 了解逻辑回归和S曲线背后的直觉（6:21）
- 使用最大似然估计求解逻辑回归（10:02）
- 使用线性回归求解逻辑回归（5:32）
- 二项式与多项式Logistic回归（4:04）
- 应用逻辑回归
- 在Excel中使用Logistic回归预测股价波动（9:52）
- 使用R中的Logistic回归预测股价走势（8:00）
- 使用基于规则的回归和线性回归预测股价波动（6:44）
- 使用Python中的Logistic回归预测股价走势（4:49）
访问
一生
内容
5个小时
已入学
225