After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Himpunan data berdimensi tinggi bisa terasa membingungkan dan membuat Anda tidak tahu harus mulai dari mana. Biasanya, Anda akan menelusuri himpunan data baru secara visual terlebih dahulu, tetapi ketika dimensinya terlalu banyak, pendekatan klasik menjadi tidak memadai. Untungnya, ada teknik visualisasi yang dirancang khusus untuk data berdimensi tinggi, dan Anda akan diperkenalkan pada teknik-teknik ini dalam kursus ini. Setelah menelusuri data, Anda sering kali akan menemukan bahwa banyak fitur hanya sedikit informasinya karena tidak menunjukkan variasi atau karena merupakan duplikasi dari fitur lain. Anda akan mempelajari cara mendeteksi fitur-fitur ini dan menghapusnya dari himpunan data agar dapat berfokus pada fitur yang informatif. Pada langkah berikutnya, Anda mungkin ingin membangun model berdasarkan fitur-fitur ini, dan bisa jadi sebagian tidak berpengaruh terhadap hal yang ingin Anda prediksi. Anda juga akan mempelajari cara mendeteksi dan menghapus fitur yang tidak relevan ini untuk mengurangi dimensi dan sekaligus kompleksitas. Terakhir, Anda akan mempelajari bagaimana teknik ekstraksi fitur dapat mengurangi dimensi melalui perhitungan komponen utama yang tidak berkorelasi.
Prasyarat
Kurikulum
Garis besar kursus
1
Menjelajahi Data Berdimensi Tinggi
Anda akan diperkenalkan pada konsep pengurangan dimensi dan mempelajari kapan serta mengapa hal ini penting. Anda akan mempelajari perbedaan antara seleksi fitur dan ekstraksi fitur serta menerapkan kedua teknik tersebut untuk penjelajahan data. Bab ini diakhiri dengan pelajaran tentang t-SNE, sebuah teknik ekstraksi fitur yang kuat yang memungkinkan Anda memvisualisasikan himpunan data berdimensi tinggi.
- Pendahuluan50 XP
- Menemukan jumlah dimensi dalam sebuah himpunan data50 XP
- Menghapus fitur tanpa varians100 XP
- Seleksi fitur vs. ekstraksi fitur50 XP
- Mendeteksi fitur redundan secara visual100 XP
- Keunggulan feature selection50 XP
- Visualisasi t-SNE untuk data berdimensi tinggi50 XP
- Intuisi t-SNE50 XP
- Menerapkan t-SNE pada data ANSUR100 XP
- Visualisasi t-SNE atas dimensi100 XP
2
Seleksi Fitur I - Memilih Berdasarkan Informasi Fitur
Dalam bab pertama dari dua bab tentang seleksi fitur ini, Anda akan mempelajari tentang kutukan dimensi dan bagaimana pengurangan dimensi dapat membantu Anda mengatasinya. Anda akan diperkenalkan pada sejumlah teknik untuk mendeteksi dan menghapus fitur yang memberi nilai tambah kecil pada himpunan data. Baik karena variansnya kecil, terlalu banyak nilai hilang, atau karena sangat berkorelasi dengan fitur lain.
3
Seleksi Fitur II - Memilih Berdasarkan Akurasi Model
Dalam bab kedua tentang seleksi fitur, Anda akan mempelajari bagaimana memanfaatkan model untuk membantu menemukan fitur paling penting dalam sebuah himpunan data untuk memprediksi fitur target tertentu. Pada pelajaran terakhir bab ini, Anda akan menggabungkan saran dari beberapa model yang berbeda untuk memutuskan fitur mana yang layak dipertahankan.
4
Ekstraksi Fitur
Bab ini membahas secara mendalam algoritma pengurangan dimensi yang paling sering digunakan, Principal Component Analysis (PCA). Anda akan membangun intuisi tentang bagaimana dan mengapa algoritma ini begitu kuat dan akan menerapkannya baik untuk penjelajahan data maupun pra-pemrosesan data dalam sebuah pipeline pemodelan. Anda akan menutupnya dengan studi kasus kompresi gambar yang menarik.
Pengurangan Dimensi dengan Python
Kursus
Selesai
