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

39,054

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

Tworzenie cech

W tym rozdziale poznasz podstawy inżynierii cech i dowiesz się, jak zacząć stosować ją w praktyce. Załadujesz, przeanalizujesz i zwizualizujesz zbiór danych z odpowiedziami ankietowymi, poznając przy tym ich typy danych i rozumiejąc, dlaczego mają one wpływ na sposób tworzenia cech. Korzystając z biblioteki pandas, stworzysz nowe cechy zarówno z kolumn kategorycznych, jak i ciągłych.

Po co tworzyć cechy?

Poznaj swoje dane

Wybieranie określonych typów danych

Praca z cechami kategorycznymi

Kodowanie one-hot i zmienne dummy

Obsługa rzadkich kategorii

Zmienne numeryczne

Binaryzacja kolumn

Podział wartości na przedziały

Zacznij rozdział

2

Praca z niekompletnymi danymi

Ten rozdział wprowadza cię w realia pracy z niekompletnymi i nieuporządkowanymi danymi. Dowiesz się, jak wykrywać brakujące wartości i poznasz różne sposoby radzenia sobie z nimi. Nauczysz się też korzystać z technik manipulacji ciągami znaków, aby usuwać niechciane znaki ze zbioru danych.

Dlaczego pojawiają się brakujące wartości?

Jak rzadkie są moje dane?

Znajdowanie brakujących wartości

Radzenie sobie z brakującymi wartościami (I)

Usuwanie wierszy z brakami

Zastępowanie brakujących wartości stałymi

Praca z brakującymi wartościami (II)

Uzupełnianie brakujących wartości ciągłych

Imputacja wartości w modelach predykcyjnych

Inne problemy z danymi

Usuwanie niepożądanych znaków (I)

Praca z niechcianymi znakami (II)

Łańcuchowanie metod

Zacznij rozdział

3

Dostosowywanie danych do założeń statystycznych

W tym rozdziale skupisz się na analizie rozkładu swoich danych i ocenie, czy może on negatywnie wpłynąć na potok uczenia maszynowego. Nauczysz się, jak radzić sobie z asymetrycznymi rozkładami oraz sytuacjami, w których wartości odstające mogą zakłócać analizę.

Rozkłady danych

Jak wyglądają twoje dane? (I)

Jak wyglądają twoje dane? (II)

Kiedy nie musisz przekształcać danych?

Skalowanie i transformacje

Normalizacja

Standaryzacja

Transformacja logarytmiczna

Kiedy można stosować normalizację?

Usuwanie wartości odstających

Usuwanie wartości odstających na podstawie percentyli

Usuwanie wartości odstających metodą statystyczną

Skalowanie i transformacja nowych danych

Transformacje na zbiorze treningowym i testowym (I)

Transformacje na zbiorach treningowym i testowym (II)

Zacznij rozdział

4

Praca z danymi tekstowymi

W ostatnim rozdziale zajmiesz się nieustrukturyzowanymi danymi tekstowymi i poznasz sposoby na tworzenie z nich cech kolumnowych. Porównasz różne podejścia pod kątem ilości kontekstu wyodrębnianego z tekstu i nauczysz się balansować między zachowaniem kontekstu a unikaniem nadmiernej liczby tworzonych cech.

Kodowanie tekstu

Porządkowanie tekstu

Podstawowe cechy tekstu

Liczba słów

Zliczanie słów (I)

Liczenie słów (II)

Ograniczanie liczby cech

Tekst do ramki danych

Częstość terminów – odwrotna częstość dokumentów (TF-IDF)

Analiza wartości Tf-idf

Transformowanie nowych danych

Używanie dłuższych n-gramów

Wyszukiwanie najczęściej występujących słów

Podsumowanie

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.