After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Apakah Anda pernah bekerja dengan dataset yang memiliki jumlah fitur yang sangat banyak? Apakah Anda membutuhkan semua fitur tersebut? Manakah yang paling penting? Dalam kursus ini, Anda akan mempelajari teknik pengurangan dimensi yang akan membantu Anda menyederhanakan data dan model yang Anda bangun menggunakan data tersebut, sambil tetap mempertahankan informasi dalam data asli dan kinerja prediksi yang baik.
Kita hidup di era informasi—era di mana informasi berlimpah. Kemampuan untuk mengekstrak informasi penting dari data merupakan keterampilan yang bernilai di pasar. Model-model melatih lebih cepat pada data yang dikurangi. Dalam produksi, model yang lebih kecil berarti waktu respons yang lebih cepat. Mungkin yang paling penting, data dan model yang lebih kecil seringkali lebih mudah dipahami. Pengurangan dimensi adalah pisau Occam Anda dalam ilmu data.
Perbedaan antara seleksi fitur dan ekstraksi fitur! Dengan menggunakan R, Anda akan belajar cara mengidentifikasi dan menghapus fitur yang memiliki informasi rendah atau berlebihan, sambil mempertahankan fitur yang memiliki informasi paling banyak. Itulah seleksi fitur. Anda juga akan belajar cara mengekstrak kombinasi fitur sebagai komponen terkompresi yang mengandung informasi maksimal. Itulah ekstraksi fitur!
Namun yang paling penting, dengan menggunakan paket tidymodel baru dari R, Anda akan menggunakan data dunia nyata untuk membangun model dengan fitur yang lebih sedikit tanpa mengorbankan kinerja yang signifikan.
Mengapa mempelajari pengurangan dimensi?
Kita hidup di era informasi—era di mana informasi berlimpah. Kemampuan untuk mengekstrak informasi penting dari data merupakan keterampilan yang bernilai di pasar. Model-model melatih lebih cepat pada data yang dikurangi. Dalam produksi, model yang lebih kecil berarti waktu respons yang lebih cepat. Mungkin yang paling penting, data dan model yang lebih kecil seringkali lebih mudah dipahami. Pengurangan dimensi adalah pisau Occam Anda dalam ilmu data.
Apa yang akan Anda pelajari dalam kursus ini?
Perbedaan antara seleksi fitur dan ekstraksi fitur! Dengan menggunakan R, Anda akan belajar cara mengidentifikasi dan menghapus fitur yang memiliki informasi rendah atau berlebihan, sambil mempertahankan fitur yang memiliki informasi paling banyak. Itulah seleksi fitur. Anda juga akan belajar cara mengekstrak kombinasi fitur sebagai komponen terkompresi yang mengandung informasi maksimal. Itulah ekstraksi fitur!
Namun yang paling penting, dengan menggunakan paket tidymodel baru dari R, Anda akan menggunakan data dunia nyata untuk membangun model dengan fitur yang lebih sedikit tanpa mengorbankan kinerja yang signifikan.
Prasyarat
Kurikulum
Garis besar kursus
1
Dasar-dasar Reduksi Dimensi
Bersiaplah untuk menyederhanakan himpunan data berukuran besar! Anda akan mempelajari konsep informasi, cara menilai kepentingan fitur, dan berlatih mengidentifikasi fitur dengan informasi rendah. Di akhir bab, Anda akan memahami perbedaan antara seleksi fitur dan ekstraksi fitur—dua pendekatan untuk reduksi dimensi.
- Pengantar pengurangan dimensi50 XP
- Dimensionalitas dan informasi fitur100 XP
- Fitur mutual information100 XP
- Informasi dan kepentingan fitur50 XP
- Menghitung entropi akar100 XP
- Menghitung entropi anak100 XP
- Menghitung information gain dari warna100 XP
- Pentingnya Reduksi Dimensi dalam Pembangunan Data dan Model50 XP
- Hitung kemungkinan kombinasi100 XP
- Curse of dimensionality, overfitting, dan bias100 XP
2
Seleksi Fitur untuk Kepentingan Fitur
Pelajari cara mengidentifikasi fitur yang kaya informasi dan miskin informasi melalui rasio nilai hilang, varians, dan korelasi. Kemudian Anda akan mempelajari cara membuat resep tidymodel untuk memilih fitur menggunakan indikator informasi ini.
3
Seleksi Fitur untuk Kinerja Model
Bab tiga memperkenalkan perbedaan antara pendekatan seleksi fitur tanpa supervisi dan tersupervisi. Anda akan meninjau cara menggunakan alur kerja tidymodels untuk membangun model. Lalu, Anda akan melakukan seleksi fitur tersupervisi menggunakan regresi lasso dan model random forest.
4
Ekstraksi Fitur dan Kinerja Model
Di bab terakhir ini, Anda akan memperoleh intuisi yang kuat tentang ekstraksi fitur dengan memahami bagaimana komponen utama mengekstrak dan menggabungkan informasi terpenting dari berbagai fitur. Selanjutnya, pelajari dan terapkan tiga jenis ekstraksi fitur — principal component analysis (PCA), t-SNE, dan UMAP. Temukan bagaimana Anda dapat menggunakan metode ekstraksi fitur ini sebagai langkah prapemrosesan dalam proses pembangunan model dengan tidymodels.
R
Reduksi Dimensi di R
Kursus
Selesai
