Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Ce cours couvre les bases du quand et du comment réaliser le prétraitement des données. Cette étape essentielle de tout projet de Machine Learning consiste à préparer vos données pour la modélisation. Entre l’importation et le nettoyage de vos données et l’entraînement de votre modèle de Machine Learning, le prétraitement entre en jeu. Vous apprendrez à standardiser vos données pour qu’elles soient au bon format pour votre modèle, à créer de nouvelles fonctionnalités afin d’exploiter au mieux l’information de votre jeu de données, et à sélectionner les meilleures caractéristiques pour améliorer l’ajustement de votre modèle. Enfin, vous vous entraînerez au prétraitement en préparant un jeu de données sur des observations d’OVNI pour la modélisation.
Prérequis
Programme de formation
Plan du cours
1
Introduction au prétraitement des données
Dans ce chapitre, vous verrez précisément ce que signifie prétraiter des données. Vous ferez les premières étapes de tout parcours de prétraitement, notamment explorer les types de données et gérer les valeurs manquantes.
- Introduction au prétraitement50 XP
- Explorer les données manquantes50 XP
- Supprimer les données manquantes100 XP
- Travailler avec les types de données50 XP
- Explorer les types de données50 XP
- Convertir le type d’une colonne100 XP
- Jeux d’entraînement et de test50 XP
- Déséquilibre des classes50 XP
- Échantillonnage stratifié100 XP
2
Standardiser les données
Ce chapitre est entièrement consacré à la standardisation des données. Il arrive souvent qu’un modèle fasse des hypothèses sur la distribution ou l’échelle de vos variables. La standardisation permet d’adapter vos données à ces hypothèses et d’améliorer les performances de l’algorithme.
3
Ingénierie des caractéristiques
Dans cette partie, vous allez découvrir l’ingénierie des caractéristiques. Vous explorerez différentes façons de créer de nouvelles caractéristiques, plus utiles, à partir de celles déjà présentes dans votre jeu de données. Vous verrez comment encoder, agréger et extraire de l’information à partir de variables numériques comme textuelles.
4
Sélection des caractéristiques pour la modélisation
Ce chapitre présente plusieurs techniques pour sélectionner les caractéristiques les plus importantes de votre jeu de données. Vous apprendrez à supprimer les variables redondantes, à travailler avec des vecteurs de texte et à réduire le nombre de caractéristiques grâce à l’analyse en composantes principales (ACP).
5
Tout mettre ensemble
Maintenant que vous avez découvert le prétraitement, vous mettrez ces techniques en pratique sur un jeu de données recensant des informations sur des observations d’OVNI.
Prétraitement pour le Machine Learning en Python
Cours
terminé
