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
このコースでは、データ前処理を「いつ」「どのように」行うかの基本を学びます。Machine Learning のあらゆるプロジェクトで不可欠なこの工程では、モデリングに向けてデータを整えます。データの取り込みとクリーニングから、Machine Learning モデルの学習までの間に前処理が入ります。データをモデルに適した形に標準化する方法、データセットの情報を最大限に活かす新しい特徴量の作成、モデルの適合を高めるための最適な特徴量の選択について学びます。最後に、UFO の目撃情報データセットを題材に、実際に前処理を行ってモデリングの準備をします。
前提条件
カリキュラム
コース概要
1
データ前処理の概要
この章では、データの前処理とは具体的に何を指すのかを学びます。データ型の確認や欠損値への対処など、前処理の最初のステップに取り組みます。
2
データの標準化
この章ではデータの標準化に焦点を当てます。多くのモデルは、特徴量の分布やスケールについて前提を持っています。標準化は、データをその前提に合うよう整え、アルゴリズムの性能を高めるための方法です。
3
特徴量エンジニアリング
このセクションでは特徴量エンジニアリングについて学びます。既存の特徴量から、より有用な新しい特徴量を作成するさまざまな方法を扱います。数値とテキストの両方の特徴量から、エンコード、集約、情報抽出を行う方法を見ていきます。
4
モデリングのための特徴量選択
この章では、データセットから最も重要な特徴量を選ぶためのいくつかの手法を扱います。冗長な特徴量の削除、テキストベクトルの扱い、主成分分析（PCA）を用いた特徴量数の削減について学びます。
5
総まとめ
ここまで学んだ前処理の知識を活かし、UFO の目撃情報を記録したデータセットで実際に手法を試していきます。
Pythonで学ぶMachine Learningの前処理
コース修了
