You’ll learn the basics of this popular statistical model, what regression is, and how linear and logistic regressions differ. You’ll then learn how to fit simple linear regression models with numeric and categorical explanatory variables, and how to describe the relationship between the response and explanatory variables using model coefficients.

A tale of two variables

Which one is the response variable?

Visualizing two numeric variables

Fitting a linear regression

Estimate the intercept

Estimate the slope

Linear regression with ols()

Categorical explanatory variables

Visualizing numeric vs. categorical

Calculating means by category

Linear regression with a categorical explanatory variable

Simple Linear Regression Modeling

In this chapter, you’ll discover how to use linear regression models to make predictions on Taiwanese house prices and Facebook advert clicks. You’ll also grow your regression skills as you get hands-on with model objects, understand the concept of "regression to the mean", and learn how to transform variables in a dataset.

Making predictions

Predicting house prices

Visualizing predictions

The limits of prediction

Working with model objects

Extracting model elements

Manually predicting house prices

Regression to the mean

Home run!

Plotting consecutive portfolio returns

Modeling consecutive returns

Transforming variables

Transforming the explanatory variable

Transforming the response variable too

Back transformation

Predictions and model objects

In this chapter, you’ll learn how to ask questions of your model to assess fit. You’ll learn how to quantify how well a linear regression model fits, diagnose model problems using visualizations, and understand each observation's leverage and influence to create the model.

Model uyumunu nicelendirme

Belirleme katsayısı

Artık standart hatası

Model uyumunu görselleştirme

Artıklar vs. uyarlanan değerler

Artıkların Q-Q grafiği

Ölçek-konum

Tanı grafikleri çizme

Aykırı değerler, kaldıraç ve etki

Kaldıraç (Leverage)

Etkileme (Influence)

Kaldıraç ve etkiyi çıkarma

Assessing model fit

Learn to fit logistic regression models. Using real-world data, you’ll predict the likelihood of a customer closing their bank account as probabilities of success and odds, and quantify model performance using confusion matrices.

Why you need logistic regression

Exploring the explanatory variables

Visualizing linear and logistic models

Logistic regression with logit()

Predictions and odds

Probabilities

Most likely outcome

Odds

Log odds

Quantifying logistic regression fit

Calculating the confusion matrix

Drawing a mosaic plot of the confusion matrix

Accuracy, sensitivity, specificity

Measuring logistic model performance

Congratulations

Simple Logistic Regression Modeling

Customer churn data

Taiwan real estate data

Ad conversion data

S&P 500 data

Fish measurement data

Course Glossary

Lineer regresyon ve lojistik regresyon, en yaygın kullanılan istatistiksel modellerden ikisidir. Verilerinde saklı sırları açığa çıkaran anahtarlar gibidirler. Bu kursta, basit lineer ve lojistik regresyonları kurmak için ihtiyaç duyduğun becerileri kazanacaksın. Uygulamalı egzersizlerle, motor sigortası talepleri, Tayvan konut fiyatları, balık boyları ve daha fazlasını içeren gerçek dünya veri kümelerinde değişkenler arasındaki ilişkileri keşfedeceksin. Kursun sonunda, verilerinden nasıl tahmin yapılacağını, model performansının nasıl nicelendirileceğini ve model uyumundaki sorunların nasıl teşhis edileceğini biliyor olacaksın.

Videolarda, videoların sol altındaki "Show transcript" seçeneğine tıklayarak görüntüleyebileceğin canlı transkriptler bulunur.
Kurs sözlüğünü sağ taraftaki kaynaklar bölümünde bulabilirsin.
CPE kredileri almak için kursu tamamlaman ve nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağ taraftaki CPE kredileri duyurusuna tıklayarak değerlendirmeye gidebilirsin.

<h2>Doğrusal ve Lojistik Regresyon için Python statsmodels kullanın</h2>
Doğrusal regresyon ve lojistik regresyon, en yaygın kullanılan iki istatistiksel modeldir. Anahtar gibi davranarak verilerinizde gizli olan sırları ortaya çıkarırlar. Bu kursta, basit doğrusal ve lojistik regresyonları uydurma becerilerini kazanacaksınız. 
<br><br>
Uygulamalı alıştırmalarla, motor sigortası talepleri, Tayvan'daki konut fiyatları, balık boyutları ve daha fazlasını içeren gerçek dünya veri kümelerindeki değişkenler arasındaki ilişkileri keşfedeceksiniz.
<br><br>
<h2>Tahmin Yapmayı ve Model Uyumunu Değerlendirmeyi Keşfedin</h2>
Bu 4 saatlik kursa, regresyonun ne olduğunu ve doğrusal regresyon ile lojistik regresyonun farklarını öğrenerek başlayacak, her ikisini de nasıl uygulayacağınızı öğreneceksiniz. Ardından, doğrusal regresyon modellerini kullanarak veriler üzerinde tahminlerde bulunmayı ve aynı zamanda model nesnelerini anlamayı öğreneceksiniz. 
<br><br>
İlerledikçe, modelinizin uygunluğunu nasıl değerlendireceğinizi ve doğrusal regresyon modelinizin ne kadar uygun olduğunu nasıl anlayacağınızı öğreneceksiniz. Son olarak, gerçek veriler üzerinde tahminlerde bulunmak için lojistik regresyon modellerini daha derinlemesine inceleyeceksiniz. 
<br><br>
<h2>Python Regresyon Analizinin Temellerini Öğrenin </h2>
Bu kursun sonunda, verilerinizden tahminler yapmayı, model performansını ölçmeyi ve model uyumu ile ilgili sorunları teşhis etmeyi öğreneceksiniz. Regresyon analizi için Python statsmodels'ı nasıl kullanacağınızı anlayacak ve bu becerileri gerçek hayattaki veri kümelerine uygulayabileceksiniz. 

Introduction to Data Visualization with Seaborn

Introduction to Statistics in Python

Verilerden tahmin yapmak, model performansını ölçmek ve uyum sorunlarını teşhis etmek için statsmodels ve regresyon analizini öğrenin.

Python ile statsmodels kullanarak Regresyona Giriş

Python'da statsmodels ile regresyon analizi uygulayarak, analiz ederek ve yorumlayarak konut fiyatlarını ve reklam tıklama oranını tahmin edin.

Aykırı değerler, kaldıraç ve etki

Create Your Free Account