After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
कोर्स विवरण
High-dimensional डेटासेट अक्सर भारी लगते हैं और समझ नहीं आता कि शुरुआत कहाँ से करें। आमतौर पर, आप नए डेटासेट को पहले विज़ुअली explore करते हैं, लेकिन जब dimensions बहुत ज़्यादा हों, तो पारंपरिक तरीके पर्याप्त नहीं लगते। सौभाग्य से, high-dimensional डेटा के लिए खास तौर पर बने visualization techniques मौजूद हैं और इस कोर्स में आप उनसे परिचित होंगे। डेटा explore करने के बाद, अक्सर पता चलता है कि कई फीचर्स में बहुत कम जानकारी होती है, क्योंकि उनमें variance नहीं दिखता या वे दूसरे फीचर्स की डुप्लिकेट होते हैं। आप सीखेंगे कि ऐसे फीचर्स को कैसे पहचानें और डेटासेट से हटाएँ ताकि आप जानकारीपूर्ण फीचर्स पर ध्यान दे सकें। अगले कदम में, आप इन्हीं फीचर्स पर कोई मॉडल बनाना चाहेंगे, और यह भी पता चल सकता है कि कुछ फीचर्स का आपकी prediction पर कोई असर नहीं है। आप सीखेंगे कि ऐसे अप्रासंगिक फीचर्स को भी कैसे पहचानें और हटाएँ, ताकि dimensionality और जटिलता दोनों कम हों। अंत में, आप सीखेंगे कि feature extraction techniques कैसे uncorrelated principal components की गणना के ज़रिए आपके लिए dimensionality घटा सकती हैं।
पूर्वापेक्षाएँ
पाठ्यक्रम
कोर्स रूपरेखा
1
High-Dimensional Data की खोज
आपको dimensionality reduction की अवधारणा से परिचित कराया जाएगा और आप सीखेंगे कि यह कब और क्यों महत्वपूर्ण है। आप feature selection और feature extraction के बीच का अंतर समझेंगे और डेटा exploration के लिए दोनों तकनीकों का उपयोग करेंगे। अध्याय का अंत t-SNE पर एक लेसन से होगा, जो एक शक्तिशाली feature extraction तकनीक है और आपको high-dimensional डेटासेट को visualize करने में मदद करेगी।
- परिचय50 XP
- किसी डेटासेट में डाइमेंशंस की संख्या जानना50 XP
- बिना वैरिएंस वाले फीचर्स हटाना100 XP
- फीचर चयन बनाम फीचर एक्सट्रैक्शन50 XP
- फालतू/डुप्लिकेट फीचर्स को विज़ुअली पहचानना100 XP
- फीचर सेलेक्शन का फ़ायदा50 XP
- उच्च-आयामी डेटा का t-SNE विज़ुअलाइज़ेशन50 XP
- t-SNE की समझ50 XP
- ANSUR डेटा पर t-SNE फिट करना100 XP
- डायमेंशनलिटी का t-SNE विज़ुअलाइज़ेशन100 XP
2
Feature Selection I - जानकारीपूर्ण फीचर्स का चयन
Feature selection के दो अध्यायों में से पहले में, आप curse of dimensionality के बारे में जानेंगे और कैसे dimensionality reduction इससे निपटने में मदद करती है। आपको कई तकनीकों से परिचित कराया जाएगा जो ऐसे फीचर्स को पहचानने और हटाने में मदद करती हैं जिनका डेटासेट में कम योगदान होता है। या तो इसलिए कि उनमें variance कम है, missing values बहुत ज़्यादा हैं, या वे अन्य फीचर्स से बहुत मज़बूती से correlated हैं।
3
Feature Selection II - मॉडल की सटीकता के लिए चयन
Feature selection के इस दूसरे अध्याय में, आप सीखेंगे कि किसी खास target फीचर की prediction के लिए, सबसे महत्वपूर्ण फीचर्स खोजने में मॉडल्स आपकी कैसे मदद कर सकते हैं। इस अध्याय के अंतिम लेसन में, आप कई अलग-अलग मॉडलों की सलाह को मिलाकर तय करेंगे कि किन फीचर्स को रखना उचित है।
4
Feature Extraction
यह अध्याय सबसे अधिक उपयोग होने वाले dimensionality reduction एल्गोरिदम, Principal Component Analysis (PCA), पर गहराई से केंद्रित है। आप समझ विकसित करेंगे कि यह एल्गोरिदम कैसे और क्यों इतना प्रभावी है, और इसे डेटा exploration तथा modeling pipeline में pre-processing दोनों के लिए लागू करेंगे। अंत में, आप एक बढ़िया image compression use case पर काम करेंगे।
Python में Dimensionality Reduction
कोर्स
पूरा
