Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Hast du schon mal mit Datensätzen gearbeitet, die echt viele Features haben? Brauchst du wirklich alle diese Funktionen? Welche sind die wichtigsten? In diesem Kurs lernst du Techniken zur Dimensionsreduktion kennen, mit denen du deine Daten und die damit erstellten Modelle vereinfachen kannst, ohne dabei die Infos aus den Originaldaten und die gute Vorhersagekraft zu verlieren.
Wir leben im Informationszeitalter – einer Zeit, in der es echt viele Infos gibt. Die Fähigkeit, wichtige Infos aus Daten rauszuziehen, ist echt gefragt. Modelle trainieren schneller mit weniger Daten. In der Produktion bedeuten kleinere Modelle schnellere Reaktionszeiten. Vielleicht am wichtigsten ist, dass kleinere Datenmengen und Modelle oft einfacher zu verstehen sind. Dimensionsreduktion ist sozusagen dein Ockhams Rasiermesser in der Datenwissenschaft.
Der Unterschied zwischen Merkmalsauswahl und Merkmalsextraktion! Mit R lernst du, wie du Merkmale mit wenig oder doppelten Infos findest und weglässt, während du die Merkmale mit den meisten Infos behältst. Merkmalauswahl Du lernst auch, wie man Kombinationen von Merkmalen als kompakte Komponenten extrahiert, die möglichst viele Infos enthalten. Das ist Feature-Extraktion!
Aber das Wichtigste ist, dass du mit dem neuen tidymodel-Paket von R echte Daten nutzen kannst, um Modelle mit weniger Features zu erstellen, ohne dass die Leistung darunter leidet.
Dimensionsreduktion
Wir leben im Informationszeitalter – einer Zeit, in der es echt viele Infos gibt. Die Fähigkeit, wichtige Infos aus Daten rauszuziehen, ist echt gefragt. Modelle trainieren schneller mit weniger Daten. In der Produktion bedeuten kleinere Modelle schnellere Reaktionszeiten. Vielleicht am wichtigsten ist, dass kleinere Datenmengen und Modelle oft einfacher zu verstehen sind. Dimensionsreduktion ist sozusagen dein Ockhams Rasiermesser in der Datenwissenschaft.
Was lernst du in diesem Kurs?
Der Unterschied zwischen Merkmalsauswahl und Merkmalsextraktion! Mit R lernst du, wie du Merkmale mit wenig oder doppelten Infos findest und weglässt, während du die Merkmale mit den meisten Infos behältst. Merkmalauswahl Du lernst auch, wie man Kombinationen von Merkmalen als kompakte Komponenten extrahiert, die möglichst viele Infos enthalten. Das ist Feature-Extraktion!
Aber das Wichtigste ist, dass du mit dem neuen tidymodel-Paket von R echte Daten nutzen kannst, um Modelle mit weniger Features zu erstellen, ohne dass die Leistung darunter leidet.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Grundlagen der Dimensionsreduktion
Mach dich bereit, große Datensätze zu vereinfachen! Du lernst, was Information bedeutet, wie du die Wichtigkeit von Features beurteilst und identifizierst Features mit wenig Information. Am Ende des Kapitels verstehst du den Unterschied zwischen Feature Selection und Feature Extraction – den beiden Ansätzen zur Dimensionsreduktion.
- Einführung in die Dimensionsreduktion50 XP
- Dimensionalität und Merkmalsinformation100 XP
- Merkmale mit gegenseitiger Information100 XP
- Information und Feature-Importance50 XP
- Entropie der Wurzel berechnen100 XP
- Entropien der Kindknoten berechnen100 XP
- Informationsgewinn der Farbe berechnen100 XP
- Die Bedeutung der Dimensionsreduktion für Daten- und Modellaufbau50 XP
- Mögliche Kombinationen berechnen100 XP
- Fluch der Dimensionalität, Overfitting und Bias100 XP
2
Feature Selection für Feature-Importance
Lerne, wie du informationsreiche und informationsarme Features über Anteile fehlender Werte, Varianz und Korrelation erkennst. Anschließend entdeckst du, wie du tidymodels-Recipes erstellst, um Features basierend auf diesen Informationsindikatoren auszuwählen.
3
Feature Selection für die Modellleistung
Kapitel drei führt in den Unterschied zwischen unüberwachter und überwachter Feature Selection ein. Du wiederholst, wie du mit tidymodels-Workflows Modelle erstellst. Danach führst du überwachte Feature Selection mit Lasso-Regression und Random-Forest-Modellen durch.
4
Feature Extraction und Modellleistung
In diesem letzten Kapitel entwickelst du ein gutes Gespür für Feature Extraction, indem du verstehst, wie Hauptkomponenten die wichtigste Information aus verschiedenen Features herausziehen und kombinieren. Anschließend lernst du drei Arten der Feature Extraction kennen und anzuwenden – Principal Component Analysis (PCA), t-SNE und UMAP. Entdecke, wie du diese Methoden als Preprocessing-Schritt im tidymodels-Modellaufbau einsetzen kannst.
R
Dimensionsreduktion in R
Kurs
abgeschlossen
