After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Gli insiemi di dati ad alta dimensionalità possono risultare travolgenti e non sapere da dove iniziare è normale. Di solito, esploreresti visivamente un nuovo insieme di dati per primo, ma quando le dimensioni sono troppe gli approcci classici non bastano. Per fortuna, esistono tecniche di visualizzazione pensate proprio per i dati ad alta dimensionalità, che conoscerai in questo corso. Dopo l’esplorazione, spesso scoprirai che molte caratteristiche contengono poche informazioni perché non mostrano varianza o perché sono duplicati di altre. Imparerai a individuare queste caratteristiche e a rimuoverle dall’insieme di dati, così da concentrarti su quelle informative. Nel passo successivo, potresti voler costruire un modello su queste caratteristiche e potresti scoprire che alcune non hanno alcun effetto su ciò che stai cercando di prevedere. Imparerai anche a individuare e scartare queste caratteristiche irrilevanti, per ridurre la dimensionalità e quindi la complessità. Infine, vedrai come le tecniche di estrazione delle caratteristiche possono ridurre per te la dimensionalità calcolando componenti principali non correlate.
Prerequisiti
Curriculum
Programma del corso
1
Esplorare dati ad alta dimensionalità
Ti verrà presentato il concetto di riduzione della dimensionalità e imparerai quando e perché è importante. Conoscerai la differenza tra selezione delle caratteristiche ed estrazione delle caratteristiche e applicherai entrambe le tecniche per l’esplorazione dei dati. Il capitolo si conclude con una lezione su t-SNE, una potente tecnica di estrazione che ti permetterà di visualizzare un insieme di dati ad alta dimensionalità.
- Introduzione50 XP
- Trovare il numero di dimensioni in un insieme di dati50 XP
- Rimuovere le feature senza varianza100 XP
- Feature selection vs feature extraction50 XP
- Rilevare visivamente le feature ridondanti100 XP
- Vantaggio della feature selection50 XP
- Visualizzazione con t-SNE di dati ad alta dimensionalità50 XP
- Intuizione su t-SNE50 XP
- Adattare t-SNE ai dati ANSUR100 XP
- Visualizzazione t-SNE della dimensionalità100 XP
2
Selezione delle caratteristiche I - Selezionare in base all’informazione
In questo primo di due capitoli sulla selezione delle caratteristiche, imparerai la “maledizione della dimensionalità” e come la riduzione della dimensionalità può aiutarti a superarla. Ti verranno presentate diverse tecniche per individuare e rimuovere le caratteristiche che aggiungono poco valore all’insieme di dati, sia perché hanno poca varianza, troppi valori mancanti o perché sono fortemente correlate ad altre caratteristiche.
3
Selezione delle caratteristiche II - Selezionare in base all’accuratezza del modello
In questo secondo capitolo sulla selezione delle caratteristiche, imparerai a lasciare che i modelli ti aiutino a trovare le caratteristiche più importanti in un insieme di dati per prevedere una specifica variabile target. Nell’ultima lezione del capitolo, combinerai i suggerimenti di modelli diversi per decidere quali caratteristiche vale la pena mantenere.
4
Estrazione delle caratteristiche
Questo capitolo approfondisce l’algoritmo di riduzione della dimensionalità più usato, la Principal Component Analysis (PCA). Costruirai l’intuizione su come e perché questo algoritmo è così potente e lo applicherai sia per l’esplorazione dei dati sia per il pre-processing in una pipeline di modellazione. Concluderai con un interessante caso d’uso di compressione di immagini.
Riduzione della dimensionalità in Python
Corso
completato
