课程主页: https://www.coursera.org/learn/introduction-to-predictive-modeling
欢迎来到《预测建模入门》课程，本课程是明尼苏达大学“决策分析”专业的第一门课程。在本课程中，您将了解到预测建模的概念、过程和应用，重点讲解线性回归和时间序列预测模型，以及它们在 Microsoft Excel 中的实际应用。通过本课程的学习，您将能够：
– 理解预测建模的概念、过程和应用。
### 课程大纲：
**第1周/模块 1：简单线性回归**
本模块简要介绍预测建模问题，并展示其广泛的应用。接着，将重点讲解预测模型中最简单的形式：简单线性回归。模块采用图形化的方式讲解简单线性回归模型的结构、普通最小二乘法的直观理解以及相关概念。最后，我们将演示如何使用 Excel 的各种工具，包括趋势线、回归工具和 Trend() 函数，拟合简单线性回归模型并用其进行预测。
**第2周/模块 2：多元线性回归**
本周将在第1周的基础上，介绍多元线性回归及其广泛应用。然后，我们将讲解如何使用 Excel 的回归工具和 Trend() 函数拟合多元线性回归模型，并使用结果模型进行预测。模块进一步讨论过拟合/欠拟合问题以及良好回归模型的基本原则。此外，模块还介绍了一种选择良好模型的方法：在 Excel 中实现的向后消元法。
**第3周/模块 3：数据准备**
在本周，我们将学习如何准备数据集以进行预测建模，并介绍可用于实现该目标的 Excel 工具。我们将讨论不同类型的变量，以及如何在预测建模中利用分类、字符串和日期时间值。此外，我们将讨论在回归模型中包含高阶和交互变量的直觉、多重共线性问题以及如何处理缺失值。我们还将介绍一些实用的 Excel 工具用于数据处理和探索，包括数据透视表、IF() 函数、VLOOKUP 函数和相对引用。
**第4周/模块 4：时间序列预测**
本模块重点关注预测建模的一个特殊子集：时间序列预测。我们将讨论时间序列数据的性质及时间序列预测问题的结构。接着，介绍多种时间序列模型，用于处理平稳数据和具有趋势与季节性的数据，重点讲解在 Excel 中容易实现的技术，包括移动平均法、指数平滑法、双移动平均法、霍尔特法和霍尔特-温特斯法。模块还涵盖了基于线性回归的预测以及提高准确性的复合预测技术。
课程主页: https://www.coursera.org/learn/introduction-to-predictive-modeling