After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Ogni giorno si leggono notizie sui sorprendenti progressi con cui le applicazioni più recenti di Machine Learning stanno cambiando il mondo. Spesso però si sorvola sul fatto che, prima di usare questi modelli avanzati, serve un grande lavoro di pulizia dei dati e di feature engineering. In questo corso imparerai proprio questo. Lavorerai con il sondaggio degli sviluppatori di Stack Overflow e con i discorsi storici di insediamento dei presidenti degli Stati Uniti per capire come preprocessare al meglio e progettare feature a partire da dati categorici, continui e non strutturati. Questo corso ti offrirà esperienza pratica su come preparare qualsiasi dato per i tuoi modelli di Machine Learning.
Prerequisiti
Curriculum
Programma del corso
1
Creare feature
In questo capitolo esplorerai che cos’è il feature engineering e come iniziare ad applicarlo a dati del mondo reale. Caricherai, esplorerai e visualizzerai un insieme di risposte a un sondaggio e, così facendo, scoprirai i relativi tipi di dato e perché influenzano il modo in cui dovresti progettare le tue feature. Con il pacchetto pandas creerai nuove feature sia da colonne categoriche sia da colonne continue.
- Perché generare feature?50 XP
- Conosci i tuoi dati100 XP
- Selezionare tipi di dati specifici100 XP
- Gestire le variabili categoriali50 XP
- One-hot encoding e variabili dummy100 XP
- Gestire le categorie poco comuni100 XP
- Variabili numeriche50 XP
- Binarizzare le colonne100 XP
- Raggruppare i valori in intervalli (binning)100 XP
2
Gestire dati disordinati
Questo capitolo ti introduce alla realtà dei dati disordinati e incompleti. Imparerai a individuare dove mancano valori nei tuoi dati ed esplorerai diversi approcci per gestirli. Userai anche tecniche di manipolazione di stringhe per rimuovere o trattare caratteri indesiderati nel tuo insieme di dati.
3
Rispettare le assunzioni statistiche
In questo capitolo ti concentrerai sull’analisi della distribuzione sottostante dei tuoi dati e su come potrebbe influenzare la tua pipeline di Machine Learning. Imparerai a gestire dati asimmetrici e situazioni in cui i valori anomali possono avere un impatto negativo sulla tua analisi.
4
Gestire dati testuali
Infine, in questo capitolo lavorerai con dati testuali non strutturati, comprendendo come ricavare feature colonnari da un corpus di testo. Confronterai come approcci diversi possano influire sulla quantità di contesto estratta da un testo e come bilanciare l’esigenza di contesto senza generare troppe feature.
Feature Engineering per il Machine Learning in Python
Corso
completato
