Przejdź do głównej treści

Strona główna Python

Kurs

Inżynieria cech w uczeniu maszynowym w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 02.2023

Twórz nowe funkcje, by poprawić wydajność swoich modeli Machine Learning.

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

16 filmów

53 Ćwiczenia

4,350 XP

38,881

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Każdego dnia pojawiają się doniesienia o przełomowych zastosowaniach uczenia maszynowego, które zmieniają świat. Często pomija się jednak fakt, że zanim skorzysta się z jakiegokolwiek zaawansowanego modelu, konieczne jest żmudne przetwarzanie danych i inżynieria cech. W tym kursie nauczysz się robić dokładnie to. Będziesz pracować z wynikami ankiety dla programistów Stack Overflow oraz historycznymi przemówieniami inauguracyjnymi prezydentów USA, aby zrozumieć, jak najlepiej przetwarzać i tworzyć cechy z danych kategorycznych, ciągłych i nieustrukturyzowanych. Kurs da ci praktyczne doświadczenie w przygotowywaniu danych do własnych modeli uczenia maszynowego.

Wymagania wstępne

Supervised Learning with scikit-learn

1

Creating Features

In this chapter, you will explore what feature engineering is and how to get started with applying it to real-world data. You will load, explore and visualize a survey response dataset, and in doing so you will learn about its underlying data types and why they have an influence on how you should engineer your features. Using the pandas package you will create new features from both categorical and continuous columns.

Why generate features?

Getting to know your data

Selecting specific data types

Dealing with categorical features

One-hot encoding and dummy variables

Dealing with uncommon categories

Numeric variables

Binarizing columns

Binning values

Zacznij rozdział

2

Dealing with Messy Data

This chapter introduces you to the reality of messy and incomplete data. You will learn how to find where your data has missing values and explore multiple approaches on how to deal with them. You will also use string manipulation techniques to deal with unwanted characters in your dataset.

Why do missing values exist?

How sparse is my data?

Finding the missing values

Dealing with missing values (I)

Listwise deletion

Replacing missing values with constants

Dealing with missing values (II)

Filling continuous missing values

Imputing values in predictive models

Dealing with other data issues

Dealing with stray characters (I)

Dealing with stray characters (II)

Method chaining

Zacznij rozdział

3

Conforming to Statistical Assumptions

In this chapter, you will focus on analyzing the underlying distribution of your data and whether it will impact your machine learning pipeline. You will learn how to deal with skewed data and situations where outliers may be negatively impacting your analysis.

Data distributions

What does your data look like? (I)

What does your data look like? (II)

When don't you have to transform your data?

Scaling and transformations

Normalization

Standardization

Log transformation

When can you use normalization?

Removing outliers

Percentage based outlier removal

Statistical outlier removal

Scaling and transforming new data

Train and testing transformations (I)

Train and testing transformations (II)

Zacznij rozdział

4

Dealing with Text Data

Finally, in this chapter, you will work with unstructured text data, understanding ways in which you can engineer columnar features out of a text corpus. You will compare how different approaches may impact how much context is being extracted from a text, and how to balance the need for context, without too many features being created.

Encoding text

Cleaning up your text

High level text features

Word counts

Counting words (I)

Counting words (II)

Limiting your features

Text to DataFrame

Term frequency-inverse document frequency

Inspecting Tf-idf values

Transforming unseen data

Using longer n-grams

Finding the most common words

Zacznij rozdział

Inżynieria cech w uczeniu maszynowym w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Inżynieria cech w uczeniu maszynowym w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.