After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Czy zdarza Ci się pracować z zestawami danych zawierającymi przytłaczającą liczbę cech? Czy potrzebujesz wszystkich tych funkcji? Które z nich są najważniejsze? W tym kursie nauczysz się technik redukcji wymiarowości, które pomogą Ci uprościć dane oraz modele, które tworzysz na ich podstawie, przy jednoczesnym zachowaniu informacji zawartych w danych źródłowych i dobrej skuteczności predykcyjnej.
Żyjemy w erze informacji — epoce nadmiaru informacji. Sztuka wydobywania najważniejszych informacji z danych to cenna umiejętność na rynku pracy. Modele uczą się szybciej na zredukowanych danych. W produkcji mniejsze modele oznaczają krótszy czas odpowiedzi. Być może najważniejsze jest to, że mniejsze dane i modele są często łatwiejsze do zrozumienia. Redukcja wymiarowości to brzytwa Ockhama w data science.
Różnica między selekcją cech a ekstrakcją cech! Używając R, nauczysz się identyfikować i usuwać cechy o niskiej lub nadmiarowej informacji, zachowując cechy o największej ilości informacji. To selekcja cech. Nauczysz się także, jak wyodrębniać kombinacje cech jako skondensowane komponenty zawierające maksymalną ilość informacji. To właśnie ekstrakcja cech!
Ale przede wszystkim, korzystając z nowego pakietu tidymodel w R, wykorzystasz rzeczywiste dane do budowania modeli z mniejszą liczbą cech, bez znaczącej utraty wydajności.
Dlaczego warto uczyć się redukcji wymiarowości?
Żyjemy w erze informacji — epoce nadmiaru informacji. Sztuka wydobywania najważniejszych informacji z danych to cenna umiejętność na rynku pracy. Modele uczą się szybciej na zredukowanych danych. W produkcji mniejsze modele oznaczają krótszy czas odpowiedzi. Być może najważniejsze jest to, że mniejsze dane i modele są często łatwiejsze do zrozumienia. Redukcja wymiarowości to brzytwa Ockhama w data science.
Czego nauczysz się na tym kursie?
Różnica między selekcją cech a ekstrakcją cech! Używając R, nauczysz się identyfikować i usuwać cechy o niskiej lub nadmiarowej informacji, zachowując cechy o największej ilości informacji. To selekcja cech. Nauczysz się także, jak wyodrębniać kombinacje cech jako skondensowane komponenty zawierające maksymalną ilość informacji. To właśnie ekstrakcja cech!
Ale przede wszystkim, korzystając z nowego pakietu tidymodel w R, wykorzystasz rzeczywiste dane do budowania modeli z mniejszą liczbą cech, bez znaczącej utraty wydajności.
Wymagania wstępne
Program kursu
Plan kursu
1
Podstawy redukcji wymiarowości
Przygotuj się na upraszczanie dużych zbiorów danych! Dowiesz się, czym jest informacja, jak oceniać ważność cech i jak rozpoznawać cechy o niskiej zawartości informacji. Pod koniec rozdziału zrozumiesz różnicę między selekcją cech a ekstrakcją cech – dwoma podejściami do redukcji wymiarowości.
- Wprowadzenie do redukcji wymiarowości50 XP
- Wymiarowość i informacyjność cech100 XP
- Cechy o wzajemnej informacji100 XP
- Informacja i ważność cech50 XP
- Obliczanie entropii węzła głównego100 XP
- Obliczanie entropii węzłów potomnych100 XP
- Obliczanie przyrostu informacji dla koloru100 XP
- Znaczenie redukcji wymiarowości w pracy z danymi i budowaniu modeli50 XP
- Obliczanie możliwych kombinacji100 XP
- Przekleństwo wymiarowości, przeuczenie i obciążenie100 XP
2
Selekcja cech na podstawie ich ważności
Naucz się identyfikować cechy bogate w informacje i cechy o niskiej wartości informacyjnej – na podstawie wskaźnika brakujących wartości, wariancji i korelacji. Następnie odkryj, jak budować przepisy tidymodels do selekcji cech przy użyciu tych wskaźników.
3
Selekcja cech a wydajność modelu
Trzeci rozdział omawia różnicę między nienadzorowanym a nadzorowanym podejściem do selekcji cech. Przypomnisz sobie, jak korzystać z przepływów pracy tidymodels do budowania modeli. Następnie przeprowadzisz nadzorowaną selekcję cech za pomocą regresji lasso i modeli lasów losowych.
4
Ekstrakcja cech a wydajność modelu
W tym ostatnim rozdziale rozwiniesz intuicję dotyczącą ekstrakcji cech – zrozumiesz, jak składowe główne wyodrębniają i łączą najważniejsze informacje z różnych cech. Poznasz trzy metody ekstrakcji cech i zastosujesz je w praktyce: analizę głównych składowych (PCA), t-SNE oraz UMAP. Dowiesz się też, jak wykorzystać te metody jako krok preprocessingu w procesie budowania modeli w tidymodels.
R
Redukcja wymiarowości w R
Kurs
ukończony
