Build your ultimate AI agent
Opis kursu
Zbiory danych o wysokiej wymiarowości mogą być przytłaczające i trudno wiedzieć, od czego zacząć. Zazwyczaj pierwszym krokiem jest wizualna eksploracja nowego zbioru danych – jednak gdy wymiarów jest zbyt wiele, klasyczne podejścia okazują się niewystarczające. Na szczęście istnieją techniki wizualizacji stworzone specjalnie z myślą o danych wysokowymiarowych i właśnie z nimi zapoznasz się w tym kursie. Po zbadaniu danych często okazuje się, że wiele cech niesie ze sobą mało informacji – albo dlatego, że nie wykazują żadnej wariancji, albo dlatego, że są duplikatami innych cech. Nauczysz się je wykrywać i usuwać ze zbioru danych, by skupić się na tych naprawdę wartościowych. W kolejnym kroku możesz chcieć zbudować model na podstawie tych cech – i może się okazać, że niektóre z nich nie mają żadnego wpływu na to, co próbujesz przewidzieć. Nauczysz się też wykrywać i usuwać te nieistotne cechy, aby zmniejszyć wymiarowość, a tym samym złożoność problemu. Na koniec poznasz techniki ekstrakcji cech, które automatycznie redukują wymiarowość poprzez wyznaczanie nieskorelowanych składowych głównych.
Wymagania wstępne
Program kursu
Plan kursu
1
Eksploracja danych wysokowymiarowych
Poznasz koncepcję redukcji wymiarowości i dowiesz się, kiedy i dlaczego jest ona istotna. Nauczysz się rozróżniać selekcję cech od ekstrakcji cech oraz zastosujesz obie techniki w eksploracji danych. Rozdział kończy się lekcją poświęconą t-SNE – potężnej technice ekstrakcji cech, która pozwoli ci zwizualizować zbiór danych o wysokiej wymiarowości.
- Wprowadzenie50 XP
- Znajdowanie liczby wymiarów w zbiorze danych50 XP
- Usuwanie cech bez wariancji100 XP
- Selekcja cech a ekstrakcja cech50 XP
- Wizualne wykrywanie redundantnych cech100 XP
- Zaleta selekcji cech50 XP
- Wizualizacja t-SNE danych wielowymiarowych50 XP
- Intuicja za t-SNE50 XP
- Dopasowywanie t-SNE do danych ANSUR100 XP
- Wizualizacja t-SNE redukcji wymiarowości100 XP
2
Selekcja cech I – selekcja według zawartości informacyjnej
W pierwszym z dwóch rozdziałów poświęconych selekcji cech dowiesz się, czym jest przekleństwo wymiarowości i jak redukcja wymiarowości pomaga sobie z nim poradzić. Poznasz szereg technik wykrywania i usuwania cech, które wnoszą do zbioru danych niewielką wartość – czy to ze względu na niską wariancję, zbyt dużą liczbę brakujących wartości, czy silną korelację z innymi cechami.
3
Selekcja cech II – selekcja pod kątem dokładności modelu
W drugim rozdziale poświęconym selekcji cech nauczysz się, jak wykorzystać modele do znajdowania najważniejszych cech w zbiorze danych, przydatnych przy przewidywaniu określonej zmiennej docelowej. W ostatniej lekcji tego rozdziału połączysz wskazówki wielu różnych modeli, by zdecydować, które cechy warto zachować.
4
Ekstrakcja cech
Ten rozdział to dogłębna analiza najczęściej stosowanego algorytmu redukcji wymiarowości – analizy głównych składowych (PCA). Zbudujesz intuicję dotyczącą tego, jak i dlaczego ten algorytm jest tak skuteczny, oraz zastosujesz go zarówno do eksploracji danych, jak i do ich wstępnego przetwarzania w potoku modelowania. Rozdział zakończy ciekawy przykład zastosowania PCA do kompresji obrazów.
Redukcja wymiarowości w Pythonie
Kurs
ukończony
