Build your ultimate AI agent
Kursbeschreibung
Hochdimensionale Datensätze können überwältigend sein und dich ratlos zurücklassen, wo du anfangen sollst. Normalerweise würdest du einen neuen Datensatz zuerst visuell erkunden, aber bei zu vielen Dimensionen wirken klassische Ansätze unzureichend. Zum Glück gibt es Visualisierungstechniken, die speziell für hochdimensionale Daten entwickelt wurden – diese lernst du in diesem Kurs kennen. Bei der Erkundung stellst du oft fest, dass viele Features wenig Information enthalten, weil sie keine Varianz aufweisen oder Duplikate anderer Features sind. Du lernst, wie du solche Features erkennst und aus dem Datensatz entfernst, damit du dich auf die informativen konzentrieren kannst. Im nächsten Schritt möchtest du vielleicht ein Modell auf diesen Features aufbauen, und es kann sich herausstellen, dass einige keinen Einfluss auf das haben, was du vorhersagen willst. Du lernst auch, diese irrelevanten Features zu erkennen und zu entfernen, um die Dimensionalität und damit die Komplexität zu verringern. Abschließend erfährst du, wie Feature-Extraktionstechniken die Dimensionalität für dich reduzieren können, indem sie unkorrelierte Hauptkomponenten berechnen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Erkundung hochdimensionaler Daten
Du lernst das Konzept der Dimensionsreduktion kennen und erfährst, wann und warum sie wichtig ist. Du lernst den Unterschied zwischen Feature-Auswahl und Feature-Extraktion und wendest beide Techniken zur Datenexploration an. Das Kapitel endet mit einer Lektion zu t-SNE, einer leistungsstarken Feature-Extraktionstechnik, mit der du einen hochdimensionalen Datensatz visualisieren kannst.
- Einführung50 XP
- Die Anzahl der Dimensionen in einem Datensatz bestimmen50 XP
- Features ohne Varianz entfernen100 XP
- Feature Selection vs. Feature Extraction50 XP
- Redundante Merkmale visuell erkennen100 XP
- Vorteil der Feature Selection50 XP
- t-SNE-Visualisierung hochdimensionaler Daten50 XP
- t-SNE-Intuition50 XP
- t-SNE auf die ANSUR-Daten anwenden100 XP
- t-SNE-Visualisierung der Dimensionalität100 XP
2
Feature-Auswahl I – Auswahl nach Informationsgehalt
In diesem ersten von zwei Kapiteln zur Feature-Auswahl lernst du den Fluch der Dimensionalität kennen und wie dir Dimensionsreduktion hilft, ihn zu überwinden. Du wirst verschiedene Techniken kennenlernen, um Features zu erkennen und zu entfernen, die dem Datensatz wenig Mehrwert bringen – sei es wegen geringer Varianz, zu vieler fehlender Werte oder starker Korrelationen mit anderen Features.
3
Feature-Auswahl II – Auswahl nach Modellgenauigkeit
In diesem zweiten Kapitel zur Feature-Auswahl lernst du, wie Modelle dir helfen können, die wichtigsten Features in einem Datensatz zur Vorhersage eines bestimmten Ziel-Features zu finden. In der abschließenden Lektion dieses Kapitels kombinierst du die Empfehlungen mehrerer unterschiedlicher Modelle, um zu entscheiden, welche Features es wert sind, beibehalten zu werden.
4
Feature-Extraktion
Dieses Kapitel ist ein Deep Dive in den am häufigsten verwendeten Algorithmus zur Dimensionsreduktion: die Principal Component Analysis (PCA). Du entwickelst ein Verständnis dafür, wie und warum dieser Algorithmus so mächtig ist, und wendest ihn sowohl zur Datenexploration als auch zur Datenvorverarbeitung in einer Modellierungspipeline an. Zum Abschluss gibt es einen coolen Use Case zur Bildkomprimierung.
Dimensionsreduktion in Python
Kurs
abgeschlossen
