Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Ontdek Feature Engineering voor Machine Learning
In deze cursus leer je over feature engineering, wat de basis vormt van veel machine learning-modellen. Omdat hoe goed een model werkt, echt afhangt van de features die erin worden gestopt, zet feature engineering kennis van het vakgebied centraal in het proces. Je leert de basisprincipes van sound feature engineering kennen, waardoor je het aantal variabelen waar mogelijk kunt verminderen, leeralgoritmen sneller kunt laten werken, de interpreteerbaarheid kunt verbeteren en overfitting kunt voorkomen.Feature engineering-technieken toepassen in R
Je leert hoe je feature engineering-technieken kunt toepassen met het R tidymodels-framework, waarbij de nadruk ligt op het recipe-pakket waarmee je de beste features voor je model kunt maken, extraheren, transformeren en selecteren.Ontwikkel functies en bouw betere ML-modellen
Als je een nieuwe dataset krijgt, kun je de relevante kenmerken eruit halen en de niet-informatieve kenmerken negeren, zodat je model sneller werkt zonder dat het ten koste gaat van de nauwkeurigheid. Je zult ook vertrouwd raken met het toepassen van transformaties en het creëren van nieuwe functies om je modellen efficiënter, interpreteerbaarder en nauwkeuriger te maken!Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot feature engineering
Ruwe data is niet altijd direct geschikt voor analyse. In dit openingshoofdstuk krijg je een eerste indruk van hoe je features kunt transformeren en creëren om de prestaties en interpretatie van je model te verbeteren.
- Wat is feature engineering?50 XP
- Een voorlopig model100 XP
- Handmatig een feature engineeren100 XP
- Nieuwe features maken met domeinkennis50 XP
- Je gegevens klaarmaken voor analyse100 XP
- Een workflow bouwen100 XP
- De informatie-inhoud van ruwe data vergroten50 XP
- Ontbrekende waarden identificeren100 XP
- Missende waarden imputeren en dummyvariabelen maken100 XP
- Het model fitten en beoordelen100 XP
- Hotelboekingen voorspellen100 XP
2
Features transformeren
In dit hoofdstuk leer je dat je, naast het handmatig transformeren van features, ook tools uit de tidyverse kunt inzetten om programmatisch nieuwe variabelen te ontwikkelen. Je ontdekt hoe deze aanpak de reproduceerbaarheid van je modellen verbetert en vooral nuttig is bij gegevenssets met veel features.
3
Features extraheren
Je leert nu hoe modellen vaak profiteren van dimensiereductie en het extraheren van features uit hoog-dimensionale data, waaronder het omzetten van tekstdata naar numerieke waarden, het encoderen van categorische data en het rangschikken van de voorspellende kracht van variabelen. Je verkent methoden zoals principal component analysis, kernel principal component analysis, numerieke extractie uit tekst, categorische encoderingen en scores voor variabelebelang.
4
Features selecteren
Je rondt de cursus af met feature engineering- en Machine Learning-technieken. Je begint met de problemen die ontstaan als je alle beschikbare features in een model gebruikt en het belang van het identificeren van irrelevante en redundante features, en leert deze te verwijderen met embedded methoden zoals lasso en elastic-net. Vervolgens verken je shrinkage-methoden zoals lasso, ridge en elastic-net, die kunnen worden gebruikt om featuregewichten te regulariseren of features te selecteren door coëfficiënten op nul te zetten. Tot slot focus je op het opzetten van een end-to-end feature-engineeringworkflow en het herhalen en oefenen van de eerder geleerde concepten en functies in een klein project.
R
Feature engineering in R
Cursus
voltooid
