Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Il mondo reale è disordinato e il tuo compito è dargli un senso. Insiemi di dati giocattolo come MTCars e Iris sono frutto di un'accurata selezione e pulizia; anche così, i dati devono essere trasformati perché gli algoritmi di Machine Learning più potenti possano estrarne significato, fare previsioni, classificare o creare cluster. Questo corso affronterà i dettagli concreti su cui i data scientist passano il 70-80% del tempo: data wrangling e feature engineering. Con insiemi di dati sempre più grandi, usiamo PySpark per ridurre questo problema di Big Data alla giusta scala!
Prerequisiti
Programma
Struttura del corso
1
Analisi Esplorativa dei Dati
Prima di iniziare, conosci un po' il tuo problema! Poi impara a ispezionare statisticamente e visivamente il tuo insieme di dati!
- Da dove cominciare50 XP
- Da dove iniziare?50 XP
- Verifica versione100 XP
- Carica i dati100 XP
- Definire un problema50 XP
- Cosa stiamo prevedendo?100 XP
- Verifica del caricamento dei dati100 XP
- Verifica dei DataType100 XP
- Ispezione visiva dei dati / EDA50 XP
- Uso di Corr()100 XP
- Usare le visualizzazioni: distplot100 XP
- Usare le visualizzazioni: lmplot100 XP
2
Wrangling con le funzioni di Spark
I dati reali raramente sono puliti e pronti per l'analisi. In questo capitolo imparerai a rimuovere informazioni non necessarie, gestire i valori mancanti e aggiungere dati supplementari alla tua analisi.
3
Feature Engineering
In questo capitolo imparerai a creare nuove feature da cui il tuo modello di Machine Learning possa apprendere. Vedremo come generarle combinando campi, estraendo valori da colonne disordinate o codificandole per ottenere risultati migliori.
4
Costruzione di un Modello
In questo capitolo impareremo a scegliere il tipo di modello che vogliamo. Poi vedremo come applicare i nostri dati al modello e valutarlo. Infine, impareremo a interpretare i risultati e a salvare il modello per usarlo in seguito!
Feature Engineering con PySpark
Corso
completato
