【Udemy中英字幕】Complete Linear Regression Analysis in Python

使用 Python 完成线性回归分析

Python 中的线性回归|简单回归、多元回归、岭回归、套索和子集选择

讲师：Start-Tech Academy

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

学习如何使用线性回归技术解决实际问题
在运行线性回归之前，使用单变量和双变量分析对数据进行初步分析
通过实施最简单的机器学习算法，根据过去的数据预测未来结果
了解如何解释线性回归模型的结果并将其转化为可操作的见解
了解统计学基础知识和机器学习概念
深入了解机器学习线性回归问题的数据收集和数据预处理
学习线性回归的 OLS 方法的高级变体
课程包含一个端到端的 DIY 项目，用于实现你从讲座中学到的知识
如何将业务问题转化为机器学习线性回归问题
使用 Python 中的 Numpy 库进行基本统计
使用 Python 中的 Seaborn 库进行数据表示
使用 Python 的 Scikit Learn 和 Statsmodel 库进行机器学习的线性回归技术

探索相关主题

要求

学生需要安装 Python 和 Anaconda 软件，但我们有单独的讲座来帮助您安装相同的软件

描述

您正在寻找一门完整的线性回归课程，该课程教您在 Python 中创建线性回归模型所需的一切，对吗？

您找到了正确的线性回归课程！

完成本课程后，你将能够：

确定可以使用机器学习的线性回归技术解决的业务问题。
在 Python 中创建一个线性回归模型并分析其结果。
自信地练习、讨论和理解机器学习概念

所有参加此机器学习基础课程的学生都将获得可验证的结业证书。

本课程将如何帮助您？

如果你是一名企业经理或高管，或是一名想要学习和应用机器学习解决实际商业问题的学生，本课程将通过教授最流行的机器学习技术（即线性回归）为你打下坚实的基础

为什么你应该选择这门课程？

本课程涵盖了通过线性回归解决业务问题时应采取的所有步骤。

大多数课程只注重教授如何运行分析，但我们认为运行分析之前和之后发生的事情更为重要，即在运行分析之前，拥有正确的数据并对其进行一些预处理非常重要。运行分析后，您应该能够判断模型的好坏并解释结果，以便真正帮助您的业务。

我们有什么资格教你？

本课程由 Abhishek 和 Pukhraj 教授。作为全球分析咨询公司的经理，我们帮助企业使用机器学习技术解决业务问题，并利用我们的经验将数据分析的实际方面纳入本课程

我们还创建了一些最受欢迎的在线课程，注册人数超过 150,000 人，并获得数千条 5 星评价，例如：

这很好，我喜欢这样一个事实：所有的解释都能被外行人理解——约书亚

感谢作者提供这门精彩的课程。您是最棒的，这门课程物有所值。- Daisy

我们的承诺

教导学生是我们的工作，我们致力于此。如果您对课程内容、练习表或任何与任何主题相关的内容有任何疑问，您可以随时在课程中发布问题或直接向我们发送消息。

下载练习文件、参加测验并完成作业

每堂课都附有课堂笔记，方便您跟读。您还可以参加测验，检查对概念的理解。每个部分都包含练习作业，方便您实际运用所学知识。

本课程涵盖哪些内容？

本课程教您创建线性回归模型的所有步骤，线性回归模型是最流行的机器学习模型，用于解决业务问题。

以下是线性回归课程的课程内容：

第 1 部分 – 统计学基础

本部分分为五个不同的讲座，从数据类型开始，然后是统计类型

然后用图形来描述数据，然后讲解均值等中心度量

中位数和众数，以及范围和标准差等离散度测量
第 2 部分 – Python 基础

本节将帮助您开始使用 Python。

本部分将帮助你在系统上设置 Python 和 Jupyter 环境，并教你

教你如何在 Python 中执行一些基本操作。我们将了解不同库（例如 Numpy、Pandas 和 Seaborn）的重要性。
第 3 节 – 机器学习简介

在本节中，我们将学习 – 机器学习的含义。与机器学习相关的不同术语或含义是什么？您将看到一些示例，以便了解机器学习实际上是什么。它还包含构建机器学习模型所涉及的步骤，而不仅仅是线性模型，任何机器学习模型。
第 4 节 – 数据预处理

在本节中，您将了解需要逐步采取哪些操作来获取数据，然后准备进行分析，这些步骤非常重要。

我们首先了解商业知识的重要性，然后了解如何进行数据探索。我们学习如何进行单变量分析和双变量分析，然后讨论异常值处理、缺失值插补、变量变换和相关性等主题。
第 5 节-回归模型

本节从简单线性回归开始，然后介绍多元线性回归。

我们介绍了每个概念背后的基本理论，但并未过多涉及数学知识，以便您了解概念的来源及其重要性。但即使您不理解，只要您学会了如何按照实践讲座中教授的方式运行并解释结果，那就没问题了。

我们还研究如何量化模型的准确性，F 统计量的含义，如何在结果中解释独立变量数据集中的分类变量，普通最小二乘法还有哪些其他变体，以及我们最终如何解释结果以找出业务问题的答案。

在本课程结束时，您对使用 Python 创建回归模型的信心将大增。您将彻底了解如何使用回归建模来创建预测模型并解决业务问题。

继续单击注册按钮，我们将在第一课中见到您！

干杯

创业科技学院

————

以下是想要开始机器学习之旅的学生常见问题列表：

什么是机器学习？

机器学习是计算机科学的一个领域，它使计算机能够在没有明确编程的情况下学习。它是人工智能的一个分支，基于系统可以从数据中学习、识别模式并在最少的人为干预下做出决策的理念。

什么是机器学习的线性回归技术？

线性回归是用于回归问题的简单机器学习模型，即目标变量是真实值。

线性回归是一种线性模型，例如，假设输入变量 (x) 和单个输出变量 (y) 之间存在线性关系的模型。更具体地说，y 可以通过输入变量 (x) 的线性组合计算得出。

当只有一个输入变量（x）时，该方法称为简单线性回归。

当有多个输入变量时，该方法称为多元线性回归。

为什么要学习机器学习的线性回归技术？

学习机器学习的线性回归技术有四个原因：

1. 线性回归是最流行的机器学习技术

2.线性回归具有相当好的预测精度

3.线性回归实现简单，易于解释

4. 它为你开始学习其他机器学习的高级技术打下了坚实的基础

学习机器学习的线性回归技术需要多长时间？

线性回归很简单，但没有人能决定它需要多少学习时间。这完全取决于你。我们采用的帮助你学习线性回归的方法从基础开始，并在几个小时内将你带到高级水平。你可以遵循相同的方法，但请记住，不练习就学不到任何东西。练习是记住你所学到的东西的唯一方法。因此，我们还为你提供了另一个数据集，作为线性回归的单独项目进行处理。

我应该遵循哪些步骤才能构建机器学习模型？

你可以将学习过程分为 4 个部分：

统计和概率 – 实施机器学习技术需要统计和概率概念的基本知识。课程的第二部分涵盖了这一部分。

理解机器学习——第四部分帮助您理解与机器学习相关的术语和概念，并为您提供构建机器学习模型所需遵循的步骤

编程经验 – 机器学习的一个重要部分是编程。Python 和 R 显然是近来最出色的语言。第三部分将帮助您设置 Python 环境并教您一些基本操作。在后面的部分中，有一个视频介绍如何用 Python 实现理论讲座中教授的每个概念

理解线性回归建模 – 充分了解线性回归可让您深入了解机器学习的工作原理。尽管线性回归是机器学习中最简单的技术，但它仍然是最受欢迎的技术，具有相当好的预测能力。第五和第六部分从头到尾涵盖线性回归主题，并且每个理论讲座都附有相应的实践讲座，我们会实际与您一起运行每个查询。

为什么使用Python进行数据机器学习？

了解 Python 是机器学习职业所需的宝贵技能之一。

尽管并非总是如此，但 Python 是数据科学的首选编程语言。以下是 Python 的简要历史：

2016 年，它在数据科学竞赛的首要平台 Kaggle 上超越了 R。

2017 年，它在 KDNuggets 的数据科学家最常用工具年度调查中超越了 R。

2018 年，66% 的数据科学家表示每天都使用 Python，这使其成为分析专业人士的首选工具。