Moderne Regressionsanalyse in R

Erweitern Sie Ihre Kenntnisse mit Coursera Plus für 239 $/Jahr (normalerweise 399 $). Jetzt sparen.

Moderne Regressionsanalyse in R

Dieser Kurs ist Teil von Spezialisierung „Statistische Modellierung für datenwissenschaftliche Anwendungen“

Dozent: Brian Zaharatos

8.617 bereits angemeldet

Bei enthalten

Mehr erfahren

6 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

36 Bewertungen

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan

5 Wochen bei 10 Stunden eine Woche

In Ihrem eigenen Lerntempo lernen

Auf einen Abschluss hinarbeiten

Mehr erfahren

6 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

36 Bewertungen

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan

5 Wochen bei 10 Stunden eine Woche

In Ihrem eigenen Lerntempo lernen

Auf einen Abschluss hinarbeiten

Mehr erfahren

Was Sie lernen werden

Einige empfohlene Praktiken für ethisches Verhalten und Kommunikation in der Statistik und Datenwissenschaft zu formulieren.
Interpretieren Sie wichtige Komponenten des MLR-Modells, einschließlich der "systematischen" und "zufälligen" Komponenten des Modells.
Beschreiben und implementieren Sie testbasierte Verfahren für die Modellauswahl und wählen Sie ein "bestes" Modell auf der Grundlage eines bestimmten Verfahrens aus.

Kompetenzen, die Sie erwerben

Kategorie: Statistical Analysis
Kategorie: Statistical Inference
Kategorie: Statistical Methods
Kategorie: Data Ethics
Kategorie: Feature Engineering
Kategorie: Mathematical Modeling
Kategorie: Model Evaluation
Kategorie: Predictive Modeling
Kategorie: Probability & Statistics
Kategorie: Statistical Modeling
Kategorie: Data Science
Kategorie: Regression Analysis
Kategorie: Data Modeling

Werkzeuge, die Sie lernen werden

Kategorie: R Programming

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

2 Quizzes, 9 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „Statistische Modellierung für datenwissenschaftliche Anwendungen“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage

In diesem Kurs gibt es 6 Module

Dieser Kurs vermittelt eine Reihe grundlegender statistischer Modellierungswerkzeuge für die Datenwissenschaft. Insbesondere werden die Studenten in die Methoden, die Theorie und die Anwendungen linearer statistischer Modelle eingeführt. Dabei werden die Themen Parameterschätzung, Residualdiagnose, Anpassungsgüte und verschiedene Strategien zur Variablenauswahl und zum Modellvergleich behandelt. Auch der Missbrauch von statistischen Modellen und die ethischen Implikationen eines solchen Missbrauchs werden behandelt. Dieser Kurs kann im Rahmen des Master of Science in Data Science (MS-DS) der CU Boulder, der auf der Coursera-Plattform angeboten wird, angerechnet werden. Der MS-DS ist ein interdisziplinärer Studiengang, der Dozenten aus den Fachbereichen Angewandte Mathematik, Informatik, Informationswissenschaften und anderen Bereichen der CU Boulder zusammenbringt. Da die Zulassung leistungsabhängig ist und es kein Bewerbungsverfahren gibt, ist der MS-DS ideal für Personen mit einem breiten Spektrum an grundständiger Ausbildung und/oder Berufserfahrung in Informatik, Informationswissenschaft, Mathematik und Statistik. Erfahren Sie mehr über das MS-DS-Programm unter https://hua.dididi.sbs/degrees/master-of-science-data-science-boulder. Logo angepasst von Foto von Vincent Ledvina auf Unsplash

In diesem Modul werden wir den grundlegenden konzeptionellen Rahmen für die statistische Modellierung im Allgemeinen und für lineare Regressionsmodelle im Besonderen vorstellen.

Das ist alles enthalten

8 Videos4 Lektüren1 Quiz1 Aufgabe2 Programmieraufgaben1 peer review1 Diskussionsthema1 Unbewertetes Labor

8 Videos Insgesamt 82 Minuten

Rahmen und Ziele der statistischen Modellierung 15 Minuten
Die Annahme der Konzeptvalidität 8 Minuten
Das lineare Regressionsmodell 12 Minuten
Matrixdarstellung des linearen Regressionsmodells 15 Minuten
Annahmen der linearen Regression 9 Minuten
Die Angemessenheit der linearen Regression 11 Minuten
Interpretation des linearen Regressionsmodells I 7 Minuten
Interpretation des linearen Regressionsmodells II 5 Minuten

4 Lektüren Insgesamt 31 Minuten

Kursaktualisierungen und Unterstützung bei der Barrierefreiheit 1 Minute
Verdienen Sie akademische Anerkennung für Ihre Arbeit! 10 Minuten
Kurs-Unterstützung 10 Minuten
Erwartungen an die Bewertung 10 Minuten

1 Quiz Insgesamt 30 Minuten

Das lineare Regressionsmodell 30 Minuten

1 Aufgabe Insgesamt 30 Minuten

Einführung in die statistische Modellierung 30 Minuten

2 Programmieraufgaben Insgesamt 180 Minuten

Optionale Einführung in Jupyter und R 60 Minuten
Modul 1 Autograded 120 Minuten

1 peer review Insgesamt 60 Minuten

Modul 1 Peer Review Einreichung 60 Minuten

1 Diskussionsthema Insgesamt 10 Minuten

Stellen Sie sich vor 10 Minuten

1 Unbewertetes Labor Insgesamt 60 Minuten

Modul 1: Peer Reviewed Lab 60 Minuten

In diesem Modul werden wir lernen, wie man lineare Regressionsmodelle mit Hilfe der kleinsten Quadrate anpasst. Wir werden auch die Eigenschaften der kleinsten Quadrate untersuchen und einige Metriken zur Anpassungsgüte von linearen Regressionsmodellen beschreiben.

Das ist alles enthalten

9 Videos2 Aufgaben1 Programmieraufgabe1 peer review1 Unbewertetes Labor

9 Videos Insgesamt 134 Minuten

Einführung in Least Squares 12 Minuten
Lineare Algebra für kleinste Quadrate 10 Minuten
Ableitung der Lösung der kleinsten Quadrate 20 Minuten
Regressionsmodellierung in R: ein erster Durchgang 20 Minuten
Rechtfertigung der kleinsten Quadrate: das Gauß-Markov-Theorem und die Maximum-Likelihood-Schätzung 14 Minuten
Summen der Quadrate und Schätzung der Fehlervarianz 19 Minuten
Der Bestimmungskoeffizient 9 Minuten
Das Problem der Nicht-Identifizierbarkeit 7 Minuten
Regressionsmodellierung in R: ein zweiter Durchgang 22 Minuten

2 Aufgaben Insgesamt 60 Minuten

Kleinste Quadrate 30 Minuten
Variabilität und Identifizierbarkeit in Regressionsmodellen 30 Minuten

1 Programmieraufgabe Insgesamt 120 Minuten

Modul 2 Autograded Zuweisung 120 Minuten

1 peer review Insgesamt 60 Minuten

Modul 2 Peer Review Einreichung 60 Minuten

1 Unbewertetes Labor Insgesamt 120 Minuten

Modul 2 Peer Reviewed Lab 120 Minuten

In diesem Modul werden wir die Anwendungen der linearen Regressionsmodellierung zur Rechtfertigung von Rückschlüssen von Stichproben auf Populationen untersuchen.

Das ist alles enthalten

8 Videos1 Lektüre2 Aufgaben1 Programmieraufgabe2 peer reviews1 Unbewertetes Labor

8 Videos Insgesamt 121 Minuten

Motivierende statistische Inferenz im Kontext der linearen Regression 10 Minuten
Die Stichprobenverteilung des Least Squares Estimators 24 Minuten
T-Tests für einzelne Regressionsparameter 14 Minuten
T-Tests in R 20 Minuten
Motivation für den F-Test: Mehrere statistische Vergleiche 8 Minuten
Der F-Test 23 Minuten
Der F-Test in R 10 Minuten
Konfidenzintervalle im RegressionskontextKonfidenzintervalle im Regressionskontext 11 Minuten

1 Lektüre Insgesamt 30 Minuten

Ethik in der statistischen Praxis und Kommunikation: Fünf Empfehlungen 30 Minuten

2 Aufgaben Insgesamt 60 Minuten

Statistische Inferenz: Einführung und T-Tests 30 Minuten
Statistische Inferenz: die F-Tests und Konfidenzintervalle 30 Minuten

1 Programmieraufgabe Insgesamt 120 Minuten

Modul 3 Autograded Zuweisung 120 Minuten

2 peer reviews Insgesamt 120 Minuten

Ethik in der statistischen Praxis und Kommunikation: Fünf Empfehlungen 60 Minuten
Modul 3 Einreichung der Peer Review 60 Minuten

1 Unbewertetes Labor Insgesamt 60 Minuten

Modul 3 Peer Reviewed Lab 60 Minuten

In diesem Modul werden wir herausfinden, wie Modelle zukünftige Werte vorhersagen und Intervallschätzungen für diese Werte konstruieren können. Wir werden auch die Beziehung zwischen statistischer Modellierung und kausalen Erklärungen untersuchen.

Das ist alles enthalten

6 Videos1 Aufgabe1 Programmieraufgabe1 peer review1 Unbewertetes Labor

6 Videos Insgesamt 82 Minuten

Unterscheidung zwischen Vorhersage und Erklärung 12 Minuten
Punktschätzungen für die Vorhersage 11 Minuten
Intervallschätzungen für Vorhersagen 10 Minuten
Vorhersagen mit echten Daten in R erstellen 19 Minuten
Wenn die Vorhersage schief geht 8 Minuten
Definition von Kausalität 22 Minuten

1 Aufgabe Insgesamt 30 Minuten

Vorhersage 30 Minuten

1 Programmieraufgabe Insgesamt 120 Minuten

Modul 4 Autograded Zuweisung 120 Minuten

1 peer review Insgesamt 60 Minuten

Modul 4 Einreichung der Peer Review 60 Minuten

1 Unbewertetes Labor Insgesamt 60 Minuten

Modul 4 Peer Review Labor 60 Minuten

In diesem Modul werden wir lernen, wie man Probleme mit der Anpassung eines linearen Regressionsmodells diagnostiziert. Insbesondere werden wir formale Tests und Visualisierungen verwenden, um zu entscheiden, ob ein lineares Modell für die vorliegenden Daten geeignet ist.

Das ist alles enthalten

6 Videos1 Quiz1 Aufgabe1 Programmieraufgabe1 peer review1 Unbewertetes Labor

6 Videos Insgesamt 72 Minuten

Lineare Regression - Diagnostische Methoden 9 Minuten
Verstöße gegen die Linearitätsvermutung 13 Minuten
Verstöße gegen die Unabhängigkeitsvermutung 15 Minuten
Verstöße gegen die Annahme der konstanten Varianz 11 Minuten
Verstöße gegen die Normalitätsvermutung 10 Minuten
Diagnostik in R 15 Minuten

1 Quiz Insgesamt 30 Minuten

Diagnostik I: Linearität und Unabhängigkeit 30 Minuten

1 Aufgabe Insgesamt 30 Minuten

Diagnostik II: Konstante Varianz und Normalität 30 Minuten

1 Programmieraufgabe Insgesamt 120 Minuten

Modul 5 Autograded Zuweisung 120 Minuten

1 peer review Insgesamt 60 Minuten

Modul 5 Einreichung der Peer Review 60 Minuten

1 Unbewertetes Labor Insgesamt 120 Minuten

Modul 5 Peer-Review-Aufgabe 120 Minuten

In diesem Modul werden wir Methoden zur Modellauswahl und Modellverbesserung untersuchen. Insbesondere lernen wir, wann und wie Modellauswahltechniken wie Vorwärts- und Rückwärtsselektion sowie kriterienbasierte Methoden anzuwenden sind, und wir erfahren etwas über das Problem der Multikollinearität (auch Kollinearität genannt).

Das ist alles enthalten

10 Videos2 Aufgaben1 Programmieraufgabe1 peer review1 Unbewertetes Labor

10 Videos Insgesamt 96 Minuten

Motivierende Methoden zur Modellauswahl 10 Minuten
Auf Tests basierende Verfahren und ihre Unzulänglichkeiten 8 Minuten
Kriterium-basierte Prozeduren: AIC 15 Minuten
Kriterium-basierte Verfahren: BIC 8 Minuten
Kriterium-basierte Prozeduren: Bereinigtes R-Quadrat 8 Minuten
Der mittlere quadratische Vorhersagefehler als Methode zur Modellauswahl 4 Minuten
Modellauswahl in R 14 Minuten
Das Problem der Kollinearität 8 Minuten
Diagnose von Multikollinearität 12 Minuten
Das Problem der Multikollinearität: Lösungen und R-Implementierung 8 Minuten

2 Aufgaben Insgesamt 60 Minuten

Modellauswahl II: Kriterium-basierte Verfahren 30 Minuten
Multikollinearität 30 Minuten

1 Programmieraufgabe Insgesamt 180 Minuten

Modul 6 Autograded Zuweisung 180 Minuten

1 peer review Insgesamt 60 Minuten

Modul 6 Einreichung der Peer Review 60 Minuten

1 Unbewertetes Labor Insgesamt 60 Minuten

Modul 6 Peer Review Labor 60 Minuten

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Auf einen Abschluss hinarbeiten

Dieses Kurs ist Teil des/der folgenden Studiengangs/Studiengänge, die von University of Colorado Boulderangeboten werden. Wenn Sie zugelassen werden und sich immatrikulieren, können Ihre abgeschlossenen Kurse auf Ihren Studienabschluss angerechnet werden und Ihre Fortschritte können mit Ihnen übertragen werden.¹

Dozent

Lehrkraftbewertungen

(14 Bewertungen)

Brian Zaharatos

University of Colorado Boulder

4 Kurse 14.969 Lernende

von

University of Colorado Boulder

Mehr von Wahrscheinlichkeitsrechnung und Statistik entdecken

University of Colorado Boulder
Statistical Modeling for Data Science Applications
Spezialisierung
Arizona State University
Modern Statistical Computing and Regression Modeling in R
Kurs
University of Colorado Boulder
Data Science as a Field
Kurs
University of Colorado Boulder
Ethical Issues in Data Science
Kurs

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

5 stars
72,97 %
4 stars
8,10 %
3 stars
2,70 %
2 stars
5,40 %
1 star
10,81 %

Zeigt 3 von 36 an

Geprüft am 29. Apr. 2024

A lot of work with several peer reviews, but it get you into R for Regression Analysis. Well laid out course. need knowledge of Linear algrebra for this course.

Weitere Bewertungen anzeigen

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten

Mehr erfahren

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Erkunden Sie die Abschlüsse

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Mehr erfahren

Häufig gestellte Fragen

Um Zugang zu den Kursmaterialien und Aufgaben zu erhalten und um ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung erwerben, wenn Sie sich für einen Kurs anmelden. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen. Der Kurs kann stattdessen die Option "Vollständiger Kurs, kein Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.

Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Spezialisierung, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Seite "Leistungen" hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder Ihrem LinkedIn-Profil hinzufügen.

Ja. Für ausgewählte Lernprogramme können Sie eine finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie die Anmeldungsgebühr nicht aufbringen können. Wenn für das von Ihnen gewählte Lernprogramm eine finanzielle Unterstützung oder ein Stipendium verfügbar ist, finden Sie auf der Beschreibungsseite einen Link zum Antragsformular.