मुख्य सामग्री पर जाएँ

कोर्स

Python में मशीन लर्निंग के लिए फीचर इंजीनियरिंग

मध्यवर्ती4 घंटे

मशीन लर्निंग मॉडल्स के प्रदर्शन को बेहतर बनाने के लिए नई फीचर्स बनाएं।

Python4 घंटे16 वीडियो53 अभ्यास4,350 XP40,158उपलब्धि का प्रमाणपत्र

अपना निःशुल्क खाता बनाएँ

Google के साथ जारी रखें
या
जारी रखकर, आप हमारी उपयोग की शर्तें, हमारी गोपनीयता नीति को स्वीकार करते हैं और यह भी कि आपका डेटा USA में संग्रहीत है।

हज़ारों कंपनियों के शिक्षार्थियों द्वारा पसंद किया गया

किसी टीम को प्रशिक्षित कर रहे हैं?

व्यवसायों के लिए आज़माएँ

कोर्स विवरण

हर दिन आप पढ़ते हैं कि मशीन लर्निंग के नए‑नए उपयोग कैसे दुनिया बदल रहे हैं। अक्सर इस रिपोर्टिंग में यह नजरअंदाज हो जाता है कि किसी भी एडवांस्ड मॉडल के इस्तेमाल से पहले डेटा की सफाई (data munging) और फीचर इंजीनियरिंग में काफी मेहनत करनी पड़ती है। इस कोर्स में, आप वही करना सीखेंगे। आप Stack Overflow Developers सर्वे और US के ऐतिहासिक राष्ट्रपति शपथ ग्रहण भाषणों के साथ काम करेंगे, ताकि समझ सकें कि श्रेणीबद्ध (categorical), सतत (continuous), और असंरचित (unstructured) डेटा से फीचर प्रीप्रोसेस और इंजीनियर करने का सबसे अच्छा तरीका क्या है। यह कोर्स आपको अपने मशीन लर्निंग मॉडलों के लिए किसी भी डेटा को तैयार करने का हैंड्स‑ऑन अनुभव देगा।

पूर्वापेक्षाएँ

पाठ्यक्रम

कोर्स रूपरेखा

1

फीचर्स बनाना

इस अध्याय में, आप जानेंगे कि फीचर इंजीनियरिंग क्या है और इसे वास्तविक दुनिया के डेटा पर कैसे शुरू करें। आप एक सर्वे रिस्पॉन्स डेटासेट को लोड, एक्सप्लोर और विज़ुअलाइज़ करेंगे, और ऐसा करते हुए इसके आधारभूत डेटा टाइप्स के बारे में सीखेंगे और क्यों वे इस बात को प्रभावित करते हैं कि आपको अपने फीचर्स कैसे इंजीनियर करने चाहिए। pandas पैकेज का उपयोग करके आप श्रेणीबद्ध और सतत दोनों तरह के कॉलम से नए फीचर्स बनाएँगे।
अध्याय शुरू करें
2

गंदे/बिखरे डेटा से निपटना

यह अध्याय आपको गंदे और अधूरे डेटा की हकीकत से परिचित कराता है। आप सीखेंगे कि आपके डेटा में मिसिंग वैल्यूज़ कहाँ हैं और उनसे निपटने के कई तरीकों का पता लगाएंगे। आप अपने डेटासेट में अनचाहे कैरेक्टर्स से निपटने के लिए स्ट्रिंग मैनीपुलेशन तकनीकों का भी उपयोग करेंगे।
अध्याय शुरू करें
3

सांख्यिकीय मान्यताओं के अनुरूप होना

इस अध्याय में, आप अपने डेटा के आधारभूत वितरण का विश्लेषण करने पर ध्यान देंगे और यह समझेंगे कि क्या यह आपकी मशीन लर्निंग पाइपलाइन को प्रभावित करेगा। आप टेढ़े (skewed) डेटा से निपटने और उन स्थितियों को संभालने के तरीके सीखेंगे जहाँ आउट्लायर्स आपके विश्लेषण पर नकारात्मक असर डाल सकते हैं।
अध्याय शुरू करें
4

टेक्स्ट डेटा से निपटना

अंत में, इस अध्याय में आप असंरचित टेक्स्ट डेटा के साथ काम करेंगे और समझेंगे कि किसी टेक्स्ट कॉर्पस से कॉलमनुमा फीचर्स कैसे इंजीनियर किए जा सकते हैं। आप तुलना करेंगे कि अलग‑अलग तरीकों का असर इस पर कैसे पड़ता है कि टेक्स्ट से कितना संदर्भ निकाला जा रहा है, और बहुत अधिक फीचर्स बनाए बिना संदर्भ की ज़रूरत को कैसे संतुलित करें।
अध्याय शुरू करें

Python में मशीन लर्निंग के लिए फीचर इंजीनियरिंग

कोर्स
पूर्ण

उपलब्धि का प्रमाण पत्र अर्जित करें

अभी नामांकन करें

DataCamp for Mobile के साथ अपने डेटा कौशल बढ़ाएँ

हमारे मोबाइल कोर्स और रोज़ाना 5-मिनट की कोडिंग चुनौतियों के साथ चलते-फिरते प्रगति करें।