The course will begin with what is familiar to many business managers and those who have taken the first two courses in this specialization. The first set of tools will explore data description, statistical inference, and regression. We will extend these concepts to other statistical methods used for prediction when the response variable is categorical such as win-don’t win an auction. In the next segment, students will learn about tools used for identifying important features in the dataset that can either reduce the complexity or help identify important features of the data or further help explain behavior.
Data Modeling and Regression Analysis in Business
Offert par
Data Modeling and Regression Analysis in Business
Université de l'Illinois à Urbana-Champaign
À propos de ce cours
4,387 consultations récentes
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 19 heures pour terminer
Recommandé : 4-6 hours/week
Anglais
Sous-titres : Anglais
Programme du cours : ce que vous apprendrez dans ce cours
8 heures pour terminer
Module 0: Get Ready & Module 1: Introduction to Analytics and Evolution of Statistical Inference
This session is an overview of the business data analytics process and its components. We introduce you to different modeling paradigms and invite you to match problems to modeling paradigms. The module concludes with an overview of Rattle (an interface for the statistical package R) and its use for univariate analysis.
8 heures pour terminer
14 vidéos (Total 86 min), 10 lectures, 3 quiz
14 vidéos
Rattle Installation Guidelines for Windows6 min
Rattle Installation Guideline for MacOS11 min
Rattle Interface for Windows9 min
Lecture 1-1: Introduction to Analytics and Evolution of Statistical Inference3 min
Lecture 1-2: From Data to Decisions9 min
Lecture 1-3: The Evolution of Intelligent Machines3 min
Lecture 1-4: Common Paradigms6 min
Lecture 1-5-1: Examples of Paradigms – Part 14 min
Lecture 1-5-2: Examples of Paradigms – Part 26 min
Lecture 1-6: Introduction to Rattle4 min
Lecture 1-7: Importing Datasets in Rattle8 min
Lecture 1-8: Plotting Data and Creating Graphs in Rattle7 min
Lecture 1-9: Rattle Practice and Summary3 min
10 lectures
Syllabus30 min
About the Discussion Forums10 min
Glossary30 min
Brand Descriptions30 min
Update Your Profile10 min
Module 0 Agenda5 min
Rattle Tutorials (Interface, Windows, Mac)30 min
Module 1 Overview20 min
Module 1 Readings, Data Sets, and Slides1 h
Module 1 Peer Review Assignment Answer Key20 min
2 exercices pour s'entraîner
Orientation Quiz10 min
Module 1 Graded Quiz30 min
6 heures pour terminer
Module 2: Dating with Data
This session focuses on identifying relationships between dependent and independent variables using a regression model. The goal is to find the best fitted model to the data to learn about the underlying relationship of variables in the population.
6 heures pour terminer
8 vidéos (Total 63 min), 3 lectures, 3 quiz
8 vidéos
Lecture 2-2: Developing and Estimating a Model3 min
Lecture 2-3: Univariate and Bivariate Plots8 min
Lecture 2-4: Bivariate Correlation5 min
Lecture 2-5-1: Estimating With Simple Models - Part 18 min
Lecture 2-5-2: Estimating With Simple Models - Part 210 min
Lecture 2-6: Improving the Model12 min
Lecture 2-7: Model Improvement Practice and Summary8 min
3 lectures
Module 2 Overview20 min
Module 2 Readings, Data Sets, and Slides1 h
Module 2 Peer Review Assignment Answer Key20 min
2 exercices pour s'entraîner
Module 2 Practice Problems40 min
Module 2 Graded Quiz30 min
6 heures pour terminer
Module 3: Model Development and Testing with Holdout Data
This session introduces the student to use of a holdout data set for evaluating model performance. Methods of improving the model are discussed with emphasis on variable selection. Nuances of modeling discrete predictor variables and response variables are discussed.
6 heures pour terminer
8 vidéos (Total 66 min), 3 lectures, 4 quiz
8 vidéos
Lecture 3-2: Introducing Root Mean Square Error14 min
Lecture 3-3: Variable Selection8 min
Lecture 3-4: Variable Selection with R Scripts8 min
Lecture 3-5: Introduction to Mallow's CP6 min
Lecture 3-6-1: Modeling Example – Part 18 min
Lecture 3-6-2: Modeling Example – Part 29 min
Lecture 3-7: Example Wrap-Up and Summary6 min
3 lectures
Module 3 Overview20 min
Module 3 Readings, Data Sets, and Slides1 h
Module 3 Peer Review Assignment Answer Key20 min
3 exercices pour s'entraîner
Module 3 Practice Problems (A)40 min
Module 3 Practice Problems (B)20 min
Module 3 Graded Quiz30 min
5 heures pour terminer
Module 4: Curse of Dimensionality
There has been a tremendous increase in the way data generation via sensors, digital platforms, user-generated content, etc. are being used in the industry. For example, sensors continuously record data and store it for analysis at a later point. In the way data gets captured, there can be a lot of redundancy. With more variables, comes more trouble! There may be very little (or no) incremental information gained from these sources. This is the problem of a high number of unwanted dimensions. To avoid this pitfall, data transformation and dimension reduction comes to the rescue by examining and extracting fewer dimensions while ensuring that it conveys the full information concisely.
5 heures pour terminer
7 vidéos (Total 67 min), 3 lectures, 3 quiz
7 vidéos
Lecture 4-2: Curse of Dimensionality9 min
Lecture 4-3: Limitations of Scatterplots10 min
Lecture 4-4: Principle Component Analysis10 min
Lecture 4-5: Principle Component Analysis in Rattle9 min
Lecture 4-6: Principle Component Analysis in Rattle With Regression10 min
Lecture 4-7: Principle Component Analysis Exercise and Summary8 min
3 lectures
Module 4 Overview20 min
Module 4 Readings, Data Sets, and Slides1 h
Module 4 Peer Review Assignment Answer Key20 min
2 exercices pour s'entraîner
Module 4 Practice Problems
Module 4 Graded Quiz30 min
4.3
8 avis
Meilleurs avis pour Data Modeling and Regression Analysis in Business
The course was easy to understand and fun to practice at home which made it exciting and useful at the same time.
Enseignant
Sridhar Seshadri
Professor of Business AdministrationBusiness Administration
Commencez à travailler pour obtenir votre master
Ce cours fait partie du diplôme intégralement en ligne Master of Science in Accountancy (iMSA) de Université de l'Illinois à Urbana-Champaign.
Si vous êtes admis au programme complet, vos cours sont pris en compte dans votre apprentissage diplômant.
À propos de Université de l'Illinois à Urbana-Champaign
The University of Illinois at Urbana-Champaign is a world leader in research, teaching and public engagement, distinguished by the breadth of its programs, broad academic excellence, and internationally renowned faculty and alumni. Illinois serves the world by creating knowledge, preparing students for lives of impact, and finding solutions to critical societal needs.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.
À quoi ai-je droit si j'achète le Certificat ?
Lorsque vous achetez un Certificat, vous bénéficiez d'un accès à tout le contenu du cours, y compris les devoirs notés. Lorsque vous avez terminé et réussi le cours, votre Certificat électronique est ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.