ये कोर्स करने के बाद, मैं पेशेवर विज़ुअलाइज़ेशन और डैशबोर्ड बनाने में आत्मविश्वास महसूस करता हूँ
Shoebur Rahmanप्रोक्योरमेंट विशेषज्ञ, Giz Bangladesh
कोर्स विवरण
वास्तविक दुनिया का डेटा बिखरा हुआ होता है, और आपका काम उसे समझ में लाना है। MTCars और Iris जैसे टॉय डेटासेट सावधानीपूर्वक क्यूरेशन और क्लीनिंग का नतीजा होते हैं, फिर भी उन्हें उपयोगी बनाने के लिए ट्रांसफ़ॉर्म करना पड़ता है ताकि शक्तिशाली मशीन लर्निंग एल्गोरिदम अर्थ निकाल सकें, फोरकास्ट कर सकें, क्लासिफ़ाई करें या क्लस्टर बनाएँ। इस कोर्स में हम वे पेचीदा बातें कवर करेंगे जिन पर डेटा साइंटिस्ट अपना 70–80% समय लगाते हैं: डेटा रैंगलिंग और फीचर इंजीनियरिंग। अब जब डेटासेट का आकार पहले से कहीं बड़ा हो रहा है, तो आइए PySpark का उपयोग करके इस Big Data समस्या को संभालने लायक आकार में लाएँ!
पूर्वापेक्षाएँ
पाठ्यक्रम
कोर्स रूपरेखा
1
Exploratory Data Analysis
सीधे कूदने से पहले अपनी समस्या के बारे में थोड़ा जानिए! फिर सीखिए कि अपने डेटासेट का सांख्यिकीय और विज़ुअल तरीके से निरीक्षण कैसे करें!
- शुरू कहाँ से करें50 XP
- शुरुआत कहाँ से करें?50 XP
- वर्ज़न जाँचें100 XP
- डेटा लोड करें100 XP
- समस्या परिभाषित करना50 XP
- हम क्या प्रेडिक्ट कर रहे हैं?100 XP
- डेटा लोड की जाँच100 XP
- डेटा टाइप्स का सत्यापन100 XP
- डेटा का विज़ुअल निरीक्षण / EDA50 XP
- Corr() का उपयोग100 XP
- Visualizations का उपयोग: distplot100 XP
- विज़ुअलाइज़ेशन का उपयोग: lmplot100 XP
2
Spark फंक्शंस के साथ रैंगलिंग
वास्तविक डेटा शायद ही कभी साफ़ और एनालिसिस के लिए तैयार होता है। इस चैप्टर में सीखिए कि अनावश्यक जानकारी कैसे हटाएँ, missing values को कैसे संभालें और अपनी एनालिसिस में अतिरिक्त डेटा कैसे जोड़ें।
3
फीचर इंजीनियरिंग
इस चैप्टर में सीखिए कि अपने मशीन लर्निंग मॉडल के सीखने के लिए नए फीचर कैसे बनाएँ। हम फ़ील्ड्स को मिलाकर, मैसी कॉलम्स से मान निकालकर, या बेहतर नतीजों के लिए उन्हें एन्कोड करके फीचर्स जनरेट करने के तरीके देखेंगे।
4
मॉडल बनाना
इस चैप्टर में हम सीखेंगे कि किस प्रकार का मॉडल चुनना है। फिर सीखेंगे कि अपने डेटा को मॉडल पर कैसे लागू करें और उसका मूल्यांकन करें। अंत में, हम नतीजों की व्याख्या करना और मॉडल को बाद के लिए सेव करना सीखेंगे!
PySpark के साथ Feature Engineering
कोर्स
पूर्ण
