मुख्य सामग्री पर जाएँ

कोर्स

Python में Machine Learning के लिए Preprocessing

मध्यवर्ती4 घंटे

मशीन लर्निंग के लिए अपने डेटा को साफ़ और तैयार करना सीखें!

Python4 घंटे20 वीडियो62 अभ्यास4,700 XP68,324उपलब्धि 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

यह कोर्स डेटा प्रीप्रोसेसिंग कब और कैसे करनी है, इसकी बुनियादी बातें कवर करता है। किसी भी मशीन लर्निंग प्रोजेक्ट का यह एक ज़रूरी चरण है, जिसमें आप अपने डेटा को मॉडलिंग के लिए तैयार करते हैं। डेटा इम्पोर्ट और क्लीन करने तथा मशीन लर्निंग मॉडल फिट करने के बीच का काम प्रीप्रोसेसिंग होता है। आप सीखेंगे कि अपने डेटा को कैसे स्टैंडर्डाइज़ करें ताकि वह आपके मॉडल के लिए सही फॉर्म में हो, अपने डेटासेट की जानकारी का बेहतर उपयोग करने के लिए नए फीचर कैसे बनाएँ, और मॉडल फिट को सुधारने के लिए सबसे अच्छे फीचर कैसे चुनें। आख़िर में, आप UFO sightings वाले एक डेटासेट को मॉडलिंग के लिए तैयार करके प्रीप्रोसेसिंग का अभ्यास करेंगे।

पूर्वापेक्षाएँ

पाठ्यक्रम

कोर्स रूपरेखा

1

डेटा प्रीप्रोसेसिंग परिचय

इस चैप्टर में आप जानेंगे कि डेटा को प्रीप्रोसेस करना वास्तव में क्या होता है। आप प्रीप्रोसेसिंग की शुरुआती स्टेप्स करेंगे, जिनमें डेटा टाइप्स की जाँच और missing डेटा से निपटना शामिल है।
अध्याय शुरू करें
2

डेटा का स्टैंडर्डाइज़ेशन

यह चैप्टर पूरी तरह डेटा को स्टैंडर्डाइज़ करने पर केंद्रित है। कई बार कोई मॉडल आपके फीचर्स के डिस्ट्रीब्यूशन या स्केल के बारे में कुछ मान्यताएँ लेता है। स्टैंडर्डाइज़ेशन आपके डेटा को इन मान्यताओं के अनुरूप लाने और एल्गोरिदम के परफॉर्मेंस को सुधारने का एक तरीका है।
अध्याय शुरू करें
3

फीचर इंजीनियरिंग

इस सेक्शन में आप फीचर इंजीनियरिंग सीखेंगे। आप अपने डेटासेट में मौजूद फीचर्स से नए और ज़्यादा उपयोगी फीचर्स बनाने के अलग-अलग तरीके एक्सप्लोर करेंगे। आप देखेंगे कि न्यूमेरिकल और टेक्स्टुअल, दोनों तरह के फीचर्स से जानकारी को कैसे एन्कोड, एग्रीगेट और एक्सट्रैक्ट किया जाए।
अध्याय शुरू करें
4

मॉडलिंग के लिए फीचर चयन

यह चैप्टर आपके डेटासेट से सबसे महत्वपूर्ण फीचर्स चुनने की कुछ अलग-अलग तकनीकों पर जाता है। आप सीखेंगे कि कैसे रेड़ंडेंट फीचर्स हटाएँ, टेक्स्ट वेक्टर्स के साथ काम करें, और प्रिंसिपल कंपोनेंट ऐनालिसिस (PCA) का उपयोग करके अपने डेटासेट में फीचर्स की संख्या कम करें।
अध्याय शुरू करें

Python में Machine Learning के लिए Preprocessing

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।