Machine Learning in R Curso Completo de Regressao Linear
What you’ll learn
Entender de uma vez por todas o que é Regressão Linear
Entender de uma vez por todas para que serve Regressão Linear
Como preparar os dados antes de aplicar a Regressão Linear
Interpretar os resultados de uma Regressão Linear
Realizar o estudo da acurácia do modelo gerado
Estudar os resíduos do modelo
Aprender a modelar situações reais
Requirements
Seria bom fazer antes os meus cursos: Linguagem R do zero e Introdução à Estatística
Description
Por que fazer este curso nos próximos 30 dias?Aprender sobre Algoritmos de Machine Learning tem sido essencial para quem deseja ter seu espaço nas grandes empresas, pois são eles fazem com que computadores tomem decisões baseadas em algoritmos, encontrando informações interessantes em meio a uma grande quantidade de dados.Hoje, cada vez mais ocorre um aumento na quantidade de dados e conforme são os algoritmos são alimentados com mais dados, aprendem a reconhecer padrões e fornecer insights relevantes para as organizações. Mas como o programa reconhece esses padrões?Para tentarem descobrir padrões ou prever resultados, as ferramentas de aprendizagem de máquina tentam descobrir equações (modelos matemáticos) que ajudem a extrair algum significado de um conjunto de dados. É por isso que o termo “modelagem” é tão recorrente em textos e discussões sobre machine learning.Portando, este curso visa APROFUNDAR o estudo do zero ao avançado nos modelos de Regressão Linear, considerado o mais usado na busca por padrões.Que tipo de resultado eu tenho com esta técnica?Saber quais variáveis interferem no comportamento de uma variável específica. ex: O que interfere na quantidade de novos clientes? Investimento com publicidade? Diversidade de produtos?Previsão de variável numérica com base em outras. Ex: prever o faturamento com base no investimento com publicidade, horas extras, quantidade de funcionários, e etc.Construir uma equação matemática que descreva o mundo real. Ex. com base em informações de um produto, pode-se calcular o valor mais provável de unidades a serem vendidas (demanda).Não é por acaso que este tema será tratado com cada vez mais frequência nas empresas que desejam crescer ainda mais, e por que você vai ficar de fora?Para quem serve este curso? Profissionais de TI e de áreas associadas, interessados em se aprofundar em Estatística e aplicá-la no mundo empresarial. Estudantes de graduação, mestrado e doutorado precisando aprender estatística para provas universitárias ou para pesquisas científicas.”Concurseiros” interessados em “matar” a prova de Estatística.Sobre o ProfessorMeu nome é Isaías Lira, bacharel em Estatística, Consultor em Análise Estatística de Dados, pesquisador e estudioso da área de Estatística Aplicada no Mercado Financeiro, escritor de livro em Estatística, Data Scientist, Pos-graduado em Docência Superior e este curso é um importante dentro de minha lista de cursos.Qual o diferencial deste curso?Curso 100% praticoUsaremos dados reais Tudo mostrado passo a passoAprofundamento na ferramenta de análise de dados mais respeitada no mercado: o R.Estrutura: o curso esta cuidadosamente estruturado para que em cada aula você tenha a clareza de cada assunto abordadoAbordagem simplificada: focamos naquilo que é mais importante, numa linguagem simples, direta, com vários exemplo reais.Inicie agora e conclua quando bem desejar! Sem pressão! Respeitaremos o seu próprio ritmo e estaremos aqui para tirar suas dúvidas.O mercado profissional precisa de você, então aprenda isto e seja útil para as grandes empresas.Então, se você quer aprender sobre Regressão Linear, seja você quem for, este é o caminho mais fácil que conheço!Vamos iniciar?
Overview
Section 1: Introdução
Lecture 1 Seja muito bem vindo(a)!
Lecture 2 Começando a conversa
Lecture 3 Introdução
Lecture 4 Algoritmos de Previsão
Lecture 5 Regressão Linear
Lecture 6 Regressão Linear – O que é e para que serve?
Lecture 7 Tipos de Regressão Linear
Section 2: Preparando os Dados
Lecture 8 Preparação dos Dados para a Regressão Linear – parte 1
Lecture 9 Preparação dos Dados para a Regressão Linear – parte 2
Lecture 10 Preparação dos Dados para a Regressão Linear – parte 3
Lecture 11 Preparação dos Dados para a Regressão Linear – parte 4
Lecture 12 Ponto Decisivo
Section 3: Estudando as Correlações
Lecture 13 COMUNICADO
Lecture 14 Estudando as Correlações
Lecture 15 Alternativas para Correlações – parte 1
Lecture 16 Alternativas para Correlações – parte 2
Lecture 17 Alternativas para Correlações – parte 3
Lecture 18 Alternativas para Correlações – parte 4
Lecture 19 Alternativas para Correlações – parte 5
Lecture 20 Alternativas para Correlações – parte 6
Section 4: Gerando o Modelo de Regressão
Lecture 21 O Método dos Mínimos Quadrados
Lecture 22 Obtendo o modelo inicial
Lecture 23 Análise de Variância do Modelo
Lecture 24 Testes Individuais para os Parâmetros
Lecture 25 Interpretação dos Coeficientes
Lecture 26 Observação: Quando uma das variáveis independentes é uma variável dummy
Lecture 27 Grau de Importância das Variáveis
Lecture 28 Intervalos de Confiança
Lecture 29 Verificando a Bondade de Ajuste do Modelo
Lecture 30 Comparando modelos
Section 5: Estudando os Outliers, Pontos influentes e pontos de alavanca
Lecture 31 Outliers – parte 1
Lecture 32 Outliers – parte 2
Lecture 33 Outliers – parte 3
Lecture 34 Pontos Influentes – Intro
Lecture 35 Distância de Cook
Lecture 36 DFBETA (parte 1)
Lecture 37 DBBETA (parte 2)
Lecture 38 DFBETA (parte 3)
Lecture 39 DFBETA (parte 4)
Lecture 40 DFFIT – parte 1
Lecture 41 DFFIT – parte 2
Lecture 42 Alavancagem
Lecture 43 CVR
Lecture 44 Casos Influentes – Resumo
Lecture 45 Natureza das variáveis
Lecture 46 Pacote necessário
Lecture 47 Suposição de Multicolinearidade
Lecture 48 Minha opinião pessoal
Section 6: Verificando as Suposições teóricas do Modelo de Regressão Linear
Lecture 49 Homocedasticidade
Lecture 50 Resíduos Normais
Lecture 51 Observação Importante (Test Durbin Watson)
Lecture 52 Suposição de Resíduos Aleatórios
Lecture 53 Suposição de Independência
Lecture 54 Suposição de Linearidade
Lecture 55 Se as suposições são violadas
Lecture 56 Usando o modelo
Section 7: Projeto
Lecture 57 Explicando o Projeto
Lecture 58 Observação sobre o Projeto
Lecture 59 Solução para o Projeto
Section 8: Aula Bônus
Lecture 60 Aula Bônus
Lecture 61 Trilha de Aprendizado para a carreira em Data Science
Leigos interessados em explicar eventos do mundo real a partir de fórmulas matemáticas simples,Estudantes, Profissionais de TI ou qualquer pessoa interessada em Aprender e Aplicar Regressão Linear na prática
Course Information:
Udemy | Português | 8h 20m | 6.49 GB
Created by: Isaías Lira
You Can See More Courses in the Developer >> Greetings from CourseDown.com