After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
머신 러닝을 위한 피처 엔지니어링 알아보기
이 강의에서는 머신 러닝 모델의 핵심인 피처 엔지니어링에 대해 배우게 됩니다. 모든 모델의 성능은 입력되는 특성에 직접적으로 좌우되므로, 피처 엔지니어링은 도메인 지식을 프로세스의 중심에 둡니다. 적절한 피처 엔지니어링의 원리를 익히게 되며, 가능한 경우 변수 수를 줄여 학습 알고리즘의 속도를 높이고, 해석 가능성을 개선하며, 과적합을 방지하는 데 도움이 됩니다.R에서 피처 엔지니어링 기법 구현하기
R tidymodels 프레임워크를 사용해 피처 엔지니어링 기법을 구현하는 방법을 배우게 되며, 특히 모델에 가장 적합한 특성을 생성, 추출, 변환, 선택할 수 있게 해주는 recipe 패키지에 중점을 둡니다.특성을 엔지니어링하고 더 나은 ML 모델을 구축하세요
새로운 데이터세트를 마주했을 때, 관련 특성을 식별하고 선택하며 정보가 없는 특성은 제외하여 정확도를 떨어뜨리지 않으면서 모델을 더 빠르게 실행할 수 있게 됩니다. 또한 변환을 적용하고 새로운 특성을 만들어 모델을 더 효율적이고, 해석 가능하며, 정확하게 만드는 데도 익숙해지게 됩니다!사전 요구 사항
커리큘럼
코스 개요
1
Feature Engineering 소개
원시 데이터(raw data)는 분석에 가장 알맞은 형태로 오지 않는 경우가 많아요. 이 도입 장에서는 모델의 성능과 해석 가능성을 높이는 변환과 feature 생성의 첫걸음을 배웁니다.
2
Feature 변환하기
이 장에서는 수작업 변환을 넘어, tidyverse의 도구를 활용해 프로그래밍 방식으로 새 변수를 만들어내는 방법을 배웁니다. 이 접근이 모델의 재현 가능성을 높이고, feature가 많은 데이터셋을 다룰 때 특히 유용하다는 점을 살펴봅니다.
3
Feature 추출하기
이제 모델이 차원 축소와 고차원 데이터에서의 feature 추출로 자주 이점을 얻는다는 점을 학습합니다. 여기에는 텍스트 데이터를 수치로 변환하고, 범주형 데이터를 인코딩하며, 변수의 예측력을 평가하는 작업이 포함됩니다. 주성분분석(PCA), 커널 주성분분석(Kernel PCA), 텍스트에서의 수치 추출, 범주형 인코딩, 변수 중요도 점수 등의 방법을 살펴봅니다.
4
Feature 선택하기
마지막 장에서는 feature engineering과 Machine Learning 기법을 종합합니다. 먼저 모델에 사용 가능한 모든 feature를 그대로 쓰는 데 따른 문제점과, 무관하거나 중복된 feature를 식별해 제거하는 것의 중요성을 배우고, lasso와 elastic-net 같은 내재형(embedded) 방법으로 이를 제거하는 법을 익힙니다. 다음으로 lasso, ridge, elastic-net과 같은 수축(shrinkage) 방법을 살펴보며, 가중치를 정규화하거나 계수를 0으로 만들어 feature를 선택하는 데 활용하는 방법을 배웁니다. 마지막으로 end-to-end feature engineering 워크플로를 구축하고, 소규모 프로젝트에서 앞서 배운 개념과 함수를 복습하고 실습합니다.
R
R로 배우는 Feature Engineering
코스
완료
