Week Simple linear regression
### 📊 核心知识点：Simple linear regression 本周依据官方周度主题“Simple linear regression”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: least squares, beta0/beta1, residuals, R-squared ⏰ **本周节奏**: 难度 ⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Checking assumptions in linear regression
### 📊 核心知识点：Checking assumptions in linear regression 本周依据官方周度主题“Checking assumptions in linear regression”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: linearity, homoscedasticity, normality, residual plots ⏰ **本周节奏**: 难度 ⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Binary covariates, outliers and influential observations
### 📊 核心知识点：Binary covariates, outliers and influential observations 本周依据官方周度主题“Binary covariates, outliers and influential observations”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: dummy variables, leverage, Cook's distance, outliers ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Multiple linear regression application
### 📊 核心知识点：Multiple linear regression application 本周依据官方周度主题“Multiple linear regression application”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: multiple predictors, adjusted R-squared, interpretation ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Multiple linear regression theory
### 📊 核心知识点：Multiple linear regression theory 本周依据官方周度主题“Multiple linear regression theory”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: matrix notation, variance-covariance, Gauss-Markov ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Interaction and multicollinearity
### 📊 核心知识点：Interaction and multicollinearity 本周依据官方周度主题“Interaction and multicollinearity”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: interaction term, VIF, collinearity diagnostics ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Assumption violations
### 📊 核心知识点：Assumption violations 本周依据官方周度主题“Assumption violations”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: heteroscedasticity, nonlinearity, robust SE ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Linear regression model building
### 📊 核心知识点：Linear regression model building 本周依据官方周度主题“Linear regression model building”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: variable selection, AIC/BIC, cross-validation ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Logistic regression
### 📊 核心知识点：Logistic regression 本周依据官方周度主题“Logistic regression”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: logit link, odds ratio, maximum likelihood ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Confounding and interaction in logistic regression
### 📊 核心知识点：Confounding and interaction in logistic regression 本周依据官方周度主题“Confounding and interaction in logistic regression”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: confounder, effect modification, stratification ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Checking assumptions in logistic regression
### 📊 核心知识点：Checking assumptions in logistic regression 本周依据官方周度主题“Checking assumptions in logistic regression”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: goodness-of-fit, ROC/AUC, deviance ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
Week Logistic regression model building
### 📊 核心知识点：Logistic regression model building 本周依据官方周度主题“Logistic regression model building”展开，围绕回归建模的关键步骤、诊断与解释能力训练。强调从业务问题到模型假设、估计与结论的完整链路。 - **核心概念/公式**: feature selection, calibration, classification threshold ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、诊断与结果解读，常见题型包括解释系数或比较模型。 🧪 **Tutorial/Lab**: 使用 R 完成回归建模与诊断图形，输出模型摘要并解释业务含义。 📌 **作业关联**: 作业会要求基于数据完成建模与模型选择，本周内容是核心基础。 ⚠️ **易错点**: 忽略诊断假设；把相关性当因果；对分类变量解释不清。 （数据来源：2025 Course Profile Learning Activities）
feature selectioncalibrationclassification threshold
💡 学习提示
• 总结 Logistic regression model building 的关键概念与适用场景
• 说明 Logistic regression model building 的建模步骤与诊断流程
• 列出 Logistic regression model building 常见错误并给出改进建议
