การสร้างแบบจำลองทางสถิติด้วย GLMs และ Nonparametric Regression

การถดถอยเชิงเส้นแบบดั้งเดิมมักล้มเหลวเมื่อข้อมูลมีการกระจายที่ไม่ปกติ (non-normal distributions) หรือแสดงรูปแบบที่ซับซ้อนและไม่เป็นเชิงเส้น การทำความเข้าใจวิธีการจัดการกับความซับซ้อนในโลกแห่งความเป็นจริงเหล่านี้เป็นสิ่งจำเป็นสำหรับนักวิเคราะห์ข้อมูลหรือนักวิจัยสมัยใหม่ทุกคน หลักสูตรนี้จะแนะนำคุณในการเปลี่ยนจากแบบจำลองเชิงเส้นพื้นฐานไปสู่กรอบการทำงานทางสถิติที่ยืดหยุ่นซึ่งสามารถจัดการกับข้อมูลประเภทต่างๆ ได้หลากหลาย คุณจะได้เรียนรู้วิธีสร้างแบบจำลองสำหรับผลลัพธ์แบบทวิภาค (binary outcomes) ข้อมูลนับ (count data) และแนวโน้มที่ไม่เป็นเชิงเส้นโดยใช้เครื่องมือทางคณิตศาสตร์ที่แข็งแกร่งหลากหลาย เมื่อสิ้นสุดหลักสูตรนี้ คุณจะสามารถเลือกและนำแนวทางการสร้างแบบจำลองที่เหมาะสมสำหรับชุดข้อมูลที่หลากหลายมาใช้ได้ ทำให้การวิเคราะห์ของคุณทั้งแม่นยำและตีความได้ สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจพื้นฐานของ Generalized Linear Models (GLMs) สำหรับการกระจายข้อมูลที่ไม่ปกติ - นำ logistic regression มาใช้เพื่อแก้ปัญหาการจำแนกประเภท (classification problems) และตีความ odds ratios ที่ได้ - นำเทคนิค nonparametric เช่น kernel estimators และ smoothing splines มาใช้เพื่อการปรับข้อมูลที่ยืดหยุ่น - สำรวจ Generalized Additive Models (GAMs) เพื่อสร้างสมดุลระหว่างความยืดหยุ่นของแบบจำลองกับการตีความทางสถิติ - ฝึกฝนการประเมินและตรวจสอบความถูกต้องของแบบจำลองโดยใช้เทคนิค cross-validation สมัยใหม่ - วิเคราะห์ชุดข้อมูลที่ซับซ้อนโดยใช้ไลบรารี dataframe สมัยใหม่สำหรับการจัดการข้อมูลที่มีประสิทธิภาพ หลักสูตรเริ่มต้นด้วยคำศัพท์ที่จำเป็นและพื้นฐานแนวคิดของ link functions ก่อนที่จะเข้าสู่การประยุกต์ใช้ GLMs และวิธีการ nonparametric ในทางปฏิบัติ คุณจะได้เรียนรู้ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรและตัวอย่างโค้ดที่ออกแบบมาเพื่อสร้างพื้นฐานทางทฤษฎีและการปฏิบัติที่แข็งแกร่ง หลักสูตรนี้ออกแบบมาสำหรับผู้เริ่มต้นที่มีความเข้าใจพื้นฐานเกี่ยวกับการถดถอยเชิงเส้นแบบง่าย (simple linear regression) และต้องการขยายชุดเครื่องมือทางสถิติของตน เริ่มต้นสร้างแบบจำลองทางสถิติที่ยืดหยุ่นและแม่นยำยิ่งขึ้นได้แล้ววันนี้