Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Jeden Tag liest du von beeindruckenden Durchbrüchen, wie neue Anwendungen des Machine Learning die Welt verändern. Oft wird dabei übersehen, dass vor dem Einsatz dieser ausgeklügelten Modelle eine Menge Datenaufbereitung und Feature Engineering nötig ist. In diesem Kurs lernst du genau das. Du arbeitest mit der Stack Overflow Developers Survey und historischen US-Antrittsreden von Präsidenten, um zu verstehen, wie du kategoriale, kontinuierliche und unstrukturierte Daten am besten vorverarbeitest und daraus Features entwickelst. Dieser Kurs gibt dir praktische Erfahrung darin, wie du beliebige Daten für deine eigenen Machine-Learning-Modelle vorbereitest.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Features erstellen
In diesem Kapitel lernst du, was Feature Engineering ist und wie du damit bei realen Daten loslegst. Du lädst, erkundest und visualisierst einen Datensatz mit Umfrageantworten und lernst dabei die zugrunde liegenden Datentypen kennen und warum sie beeinflussen, wie du deine Features entwickeln solltest. Mit dem Paket pandas erstellst du neue Features aus kategorialen und kontinuierlichen Spalten.
2
Mit unordentlichen Daten umgehen
Dieses Kapitel führt dich in die Realität unordentlicher und unvollständiger Daten ein. Du lernst, fehlende Werte in deinen Daten zu finden, und erkundest verschiedene Ansätze, wie du damit umgehst. Außerdem nutzt du String-Manipulationstechniken, um unerwünschte Zeichen in deinem Datensatz zu bereinigen.
3
Statistischen Annahmen entsprechen
In diesem Kapitel konzentrierst du dich auf die Analyse der zugrunde liegenden Verteilung deiner Daten und darauf, ob sie sich auf deine Machine-Learning-Pipeline auswirkt. Du lernst, wie du mit schief verteilten Daten umgehst und mit Situationen, in denen Ausreißer deine Analyse negativ beeinflussen könnten.
4
Mit Textdaten umgehen
Zum Schluss arbeitest du in diesem Kapitel mit unstrukturierten Textdaten und lernst, wie du daraus spaltenweise Features erzeugen kannst. Du vergleichst, wie sich unterschiedliche Ansätze darauf auswirken, wie viel Kontext aus einem Text extrahiert wird, und wie du den Bedarf an Kontext mit der Anzahl der erzeugten Features in Einklang bringst.
Feature Engineering für Machine Learning in Python
Kurs
abgeschlossen
