Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Kurs ten omawia podstawy preprocessingu danych – kiedy i jak go stosować. To kluczowy etap każdego projektu uczenia maszynowego, w którym przygotowujesz dane do modelowania. Preprocessing pojawia się między importowaniem i czyszczeniem danych a dopasowywaniem modelu. Nauczysz się standaryzować dane, tak aby były w odpowiedniej formie dla modelu, tworzyć nowe cechy, które najlepiej wykorzystują informacje zawarte w zbiorze danych, oraz wybierać najważniejsze cechy poprawiające jakość dopasowania modelu. Na koniec przećwiczysz preprocessing na zbiorze danych dotyczącym obserwacji UFO, przygotowując go do modelowania.
Wymagania wstępne
Program nauczania
Plan kursu
1
Wprowadzenie do preprocessingu danych
W tym rozdziale dowiesz się, czym dokładnie jest preprocessing danych. Poznasz pierwsze kroki w każdym procesie przygotowania danych – w tym eksplorację typów danych i obsługę brakujących wartości.
2
Standaryzacja danych
Ten rozdział poświęcony jest standaryzacji danych. Modele uczenia maszynowego często zakładają pewien rozkład lub skalę cech. Standaryzacja to sposób na dostosowanie danych do tych założeń i poprawę wydajności algorytmu.
3
Inżynieria cech
W tej części poznasz inżynierię cech. Odkryjesz różne sposoby tworzenia nowych, bardziej użytecznych cech na podstawie tych, które już znajdują się w zbiorze danych. Zobaczysz, jak kodować, agregować i wydobywać informacje zarówno z cech liczbowych, jak i tekstowych.
4
Wybór cech do modelowania
Ten rozdział omawia kilka technik wyboru najważniejszych cech ze zbioru danych. Nauczysz się usuwać redundantne cechy, pracować z wektorami tekstowymi i redukować liczbę cech przy użyciu analizy głównych składowych (PCA).
5
Wszystko razem
Teraz, gdy znasz już techniki preprocessingu, wypróbujesz je na zbiorze danych rejestrującym obserwacje UFO.
Preprocessing w uczeniu maszynowym w Pythonie
Kurs
ukończony
