Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Los conjuntos de datos de alta dimensionalidad pueden resultar abrumadores y dejarte sin saber por dónde empezar. Normalmente, explorarías visualmente un conjunto de datos nuevo primero, pero cuando hay demasiadas dimensiones, los enfoques clásicos se quedan cortos. Por suerte, existen técnicas de visualización diseñadas específicamente para datos de alta dimensionalidad, y en este curso te las presentaremos. Tras explorar los datos, a menudo verás que muchas variables aportan poca información porque no muestran variación o porque son duplicadas de otras. Aprenderás a detectar estas variables y eliminarlas del conjunto de datos para poder centrarte en las informativas. En un siguiente paso, puede que quieras construir un modelo con estas variables, y podría resultar que algunas no tengan ningún efecto sobre lo que intentas predecir. También aprenderás a detectar y eliminar estas variables irrelevantes para reducir la dimensionalidad y, por tanto, la complejidad. Por último, verás cómo las técnicas de extracción de características pueden reducir la dimensionalidad calculando componentes principales no correlacionados.
Requisitos previos
Programa de formación
Contenido del curso
1
Exploración de datos de alta dimensionalidad
Te presentarás al concepto de reducción de dimensionalidad y aprenderás cuándo y por qué es importante. Conocerás la diferencia entre selección y extracción de características y aplicarás ambas técnicas para explorar datos. El capítulo termina con una lección sobre t-SNE, una potente técnica de extracción de características que te permitirá visualizar un conjunto de datos de alta dimensionalidad.
- Introducción50 XP
- Encontrar el número de dimensiones en un conjunto de datos50 XP
- Eliminando características sin variación100 XP
- Selección de características vs. extracción de características50 XP
- Detectar visualmente características redundantes100 XP
- Ventaja de la selección de características50 XP
- Visualización con t-SNE de datos de alta dimensión50 XP
- Intuición de t-SNE50 XP
- Ajustar t-SNE a los datos de ANSUR100 XP
- Visualización con t-SNE de la dimensionalidad100 XP
2
Selección de características I: selección por información de las características
En este primero de dos capítulos sobre selección de características, aprenderás sobre la maldición de la dimensionalidad y cómo la reducción de dimensionalidad puede ayudarte a superarla. Verás varias técnicas para detectar y eliminar características que aportan poco valor añadido al conjunto de datos, ya sea porque tienen poca variación, demasiados valores perdidos o porque están fuertemente correlacionadas con otras características.
3
Selección de características II: selección por precisión del modelo
En este segundo capítulo sobre selección de características, aprenderás a dejar que los modelos te ayuden a encontrar las variables más importantes de un conjunto de datos para predecir una característica objetivo concreta. En la última lección de este capítulo, combinarás las recomendaciones de varios modelos diferentes para decidir qué características merece la pena conservar.
4
Extracción de características
Este capítulo profundiza en el algoritmo de reducción de dimensionalidad más utilizado, el Análisis de Componentes Principales (PCA). Desarrollarás intuición sobre cómo y por qué este algoritmo es tan potente y lo aplicarás tanto para la exploración de datos como para el preprocesamiento en una canalización de modelado. Terminarás con un caso práctico de compresión de imágenes muy interesante.
Reducción de dimensionalidad en Python
Curso
completado
