Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Entdecke Feature Engineering für maschinelles Lernen
In diesem Kurs lernst du was über Feature Engineering, das bei vielen Machine-Learning-Modellen eine wichtige Rolle spielt. Da die Leistung eines Modells direkt von den Features abhängt, die es bekommt, stellt Feature Engineering das Fachwissen in den Mittelpunkt des Prozesses. Du lernst die Grundlagen des Sound Feature Engineering kennen, das dabei hilft, die Anzahl der Variablen zu reduzieren, wo es geht, damit Lernalgorithmen schneller laufen, die Interpretierbarkeit verbessert wird und Überanpassung vermieden wird.Feature-Engineering-Techniken in R umsetzen
Du lernst, wie man Feature-Engineering-Techniken mit dem R-Framework tidymodels umsetzt, wobei der Schwerpunkt auf dem Rezeptpaket liegt, mit dem du die besten Features für dein Modell erstellen, extrahieren, transformieren und auswählen kannst.Entwickle Funktionen und baue bessere ML-Modelle
Wenn du mit einem neuen Datensatz konfrontiert wirst, kannst du relevante Merkmale erkennen und auswählen und nicht informative Merkmale ignorieren, damit dein Modell schneller läuft, ohne dass die Genauigkeit darunter leidet. Du wirst auch schnell damit klarkommen, Transformationen anzuwenden und neue Funktionen zu entwickeln, um deine Modelle effizienter, verständlicher und genauer zu machen!Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in Feature Engineering
Rohdaten liegen nicht immer in der besten Form für Analysen vor. In diesem einführenden Kapitel bekommst du einen ersten Eindruck davon, wie du Features transformierst und erstellst, um die Leistung und Interpretierbarkeit deines Modells zu verbessern.
- Was ist Feature Engineering?50 XP
- Ein vorläufiges Modell100 XP
- Ein Feature manuell entwickeln100 XP
- Neue Features mithilfe von Domänenwissen erstellen50 XP
- Deine Daten für die Analyse vorbereiten100 XP
- Einen Workflow erstellen100 XP
- Den Informationsgehalt von Rohdaten erhöhen50 XP
- Fehlende Werte identifizieren100 XP
- Fehlende Werte imputieren und Dummy-Variablen erstellen100 XP
- Modell fitten und bewerten100 XP
- Vorhersage von Hotelbuchungen100 XP
2
Features transformieren
In diesem Kapitel lernst du, dass du über manuelle Transformationen hinaus Tools aus dem tidyverse nutzen kannst, um programmgesteuert neue Variablen zu erzeugen. Du erkundest, wie dieser Ansatz die Reproduzierbarkeit deiner Modelle verbessert und besonders hilfreich ist, wenn du mit Datensätzen mit vielen Features arbeitest.
3
Features extrahieren
Jetzt lernst du, wie Modelle oft davon profitieren, die Dimensionalität zu reduzieren und Features aus hochdimensionalen Daten zu extrahieren – unter anderem durch die Umwandlung von Textdaten in numerische Werte, das Codieren kategorialer Daten und das Bewerten der Vorhersagekraft von Variablen. Du lernst Methoden wie Hauptkomponentenanalyse, Kernel-Hauptkomponentenanalyse, numerische Extraktion aus Text, kategoriale Codierungen und Variable-Importance-Scores kennen.
4
Features auswählen
Zum Abschluss des Kurses lernst du Feature-Engineering- und Machine-Learning-Techniken kennen. Zunächst konzentrierst du dich auf die Probleme, die entstehen, wenn alle verfügbaren Features in einem Modell verwendet werden, und auf die Bedeutung, irrelevante und redundante Features zu erkennen und mithilfe eingebetteter Methoden wie Lasso und Elastic Net zu entfernen. Anschließend erkundest du Shrinkage-Methoden wie Lasso, Ridge und Elastic Net, die zur Regularisierung von Feature-Gewichten dienen oder Features auswählen, indem Koeffizienten auf null gesetzt werden. Abschließend erstellst du einen End-to-End-Workflow für Feature Engineering und wiederholst und übst die zuvor gelernten Konzepte und Funktionen in einem kleinen Projekt.
R
Feature Engineering in R
Kurs
abgeschlossen
