これらのコースを受講したことで、プロフェッショナルなビジュアライゼーションやダッシュボードを自信を持って作成できるようになりました
Shoebur Rahman調達スペシャリスト、Giz Bangladesh
コースの説明
日々、最新の Machine Learning の応用が世界を変えているというニュースを目にします。しかし、その多くは、これらの高度なモデルを使う前に膨大なデータ整形と特徴量エンジニアリングが必要になる事実を見落としがちです。本コースでは、まさにその実践方法を学びます。Stack Overflow Developers の調査データや、米国大統領就任演説のアーカイブを扱い、カテゴリカル、連続値、非構造化データから最適に前処理と特徴量設計を行う方法を理解します。どのようなデータでも自分の Machine Learning モデルに備えるための、実践的なスキルを身につけていただけます。
前提条件
カリキュラム
コース概要
1
特徴量を作成する
この章では、特徴量エンジニアリングとは何か、そして実データにどう適用し始めればよいかを学びます。アンケート回答データセットを読み込み、探索・可視化しながら、その背後にあるデータ型と、それが特徴量設計の方法にどのような影響を与えるかを理解します。pandas パッケージを使って、カテゴリカル列と連続値列の両方から新しい特徴量を作成します。
2
乱れたデータへの対処
この章では、乱れて不完全なデータという現実を紹介します。欠損値がどこにあるかを見つける方法を学び、それらへ対処する複数のアプローチを探ります。さらに、データセット内の不要な文字に対処するために、文字列操作のテクニックも活用します。
3
統計的仮定に合わせる
この章では、データの背後にある分布を分析し、それが Machine Learning パイプラインに影響するかどうかに焦点を当てます。歪んだ分布への対処方法や、外れ値が分析に悪影響を与える状況への対応方法を学びます。
4
テキストデータへの対処
最後の章では、非構造化テキストデータを扱い、テキストコーパスから列状の特徴量を設計する方法を学びます。アプローチの違いが、テキストから抽出できる文脈量にどう影響するかを比較し、特徴量が増えすぎないように文脈の確保とバランスを取る方法を考えます。
Python で学ぶ Machine Learning のための特徴量エンジニアリング
コース修了
