Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Cada día lees sobre avances increíbles y cómo las aplicaciones más recientes de Machine Learning están cambiando el mundo. A menudo se pasa por alto que, antes de usar esos modelos sofisticados, hay que hacer mucho trabajo de limpieza de datos e ingeniería de características. En este curso aprenderás a hacerlo. Trabajarás con la encuesta de desarrolladores de Stack Overflow y con discursos históricos de investidura presidencial de EE. UU. para entender cómo preprocesar y diseñar características a partir de datos categóricos, continuos y no estructurados. Este curso te dará experiencia práctica para preparar cualquier dato para tus propios modelos de Machine Learning.
Requisitos previos
Programa de formación
Esquema del curso
1
Creación de características
En este capítulo explorarás qué es la ingeniería de características y cómo empezar a aplicarla a datos del mundo real. Cargarás, explorarás y visualizarás un conjunto de respuestas de una encuesta, y así conocerás sus tipos de datos subyacentes y por qué influyen en cómo debes diseñar tus características. Usando el paquete pandas, crearás nuevas características a partir de columnas tanto categóricas como continuas.
- ¿Por qué generar características?50 XP
- Conoce tus datos100 XP
- Seleccionar tipos de datos específicos100 XP
- Cómo trabajar con variables categóricas50 XP
- One-hot encoding y variables ficticias100 XP
- Cómo tratar categorías poco frecuentes100 XP
- Variables numéricas50 XP
- Binarizar columnas100 XP
- Agrupar valores en bins100 XP
2
Tratamiento de datos desordenados
Este capítulo te presenta la realidad de los datos desordenados e incompletos. Aprenderás a detectar dónde tu data tiene valores ausentes y explorarás varias formas de tratarlos. También usarás técnicas de manipulación de cadenas para eliminar caracteres no deseados en tu conjunto de datos.
3
Ajuste a supuestos estadísticos
En este capítulo te centrarás en analizar la distribución subyacente de tus datos y si puede afectar a tu flujo de trabajo de Machine Learning. Aprenderás a tratar datos asimétricos y situaciones en las que los valores atípicos pueden estar afectando negativamente a tu análisis.
4
Trabajo con datos de texto
Por último, en este capítulo trabajarás con datos de texto no estructurados para entender cómo puedes crear características en columnas a partir de un corpus de texto. Compararás cómo distintos enfoques influyen en la cantidad de contexto que se extrae del texto y cómo equilibrar la necesidad de contexto sin generar demasiadas características.
Ingeniería de características para Machine Learning en Python
Curso
completado
