Pular para o conteúdo principal
Página inicialPythonFeature Engineering for Machine Learning in Python

Feature Engineering for Machine Learning in Python

Create new features to improve the performance of your Machine Learning models.

Comece O Curso Gratuitamente
4 Horas16 Videos53 Exercicios
28.958 AprendizesTrophyDeclaração de Realização

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.
GroupTreinar 2 ou mais pessoas?Experimente o DataCamp For Business

Amado por alunos de milhares de empresas


Descrição do Curso

Every day you read about the amazing breakthroughs in how the newest applications of machine learning are changing the world. Often this reporting glosses over the fact that a huge amount of data munging and feature engineering must be done before any of these fancy models can be used. In this course, you will learn how to do just that. You will work with Stack Overflow Developers survey, and historic US presidential inauguration addresses, to understand how best to preprocess and engineer features from categorical, continuous, and unstructured data. This course will give you hands-on experience on how to prepare any data for your own machine learning models.
Para Empresas

GroupTreinar 2 ou mais pessoas?

Obtenha acesso à biblioteca completa do DataCamp, com relatórios, atribuições, projetos e muito mais centralizados
Experimente O DataCamp for BusinessPara uma solução sob medida , agende uma demonstração.

Nas seguintes faixas

Cientista de aprendizado de máquina com Python

Ir para a trilha
  1. 1

    Creating Features

    Grátis

    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.

    Reproduzir Capítulo Agora
    Why generate features?
    50 xp
    Getting to know your data
    100 xp
    Selecting specific data types
    100 xp
    Dealing with categorical features
    50 xp
    One-hot encoding and dummy variables
    100 xp
    Dealing with uncommon categories
    100 xp
    Numeric variables
    50 xp
    Binarizing columns
    100 xp
    Binning values
    100 xp
  2. 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.

    Reproduzir Capítulo Agora
  3. 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.

    Reproduzir Capítulo Agora
Para Empresas

GroupTreinar 2 ou mais pessoas?

Obtenha acesso à biblioteca completa do DataCamp, com relatórios, atribuições, projetos e muito mais centralizados

Nas seguintes faixas

Cientista de aprendizado de máquina com Python

Ir para a trilha

Conjuntos De Dados

Stack Overflow Survey Responses (Modified)US Presidential Inauguration Addresses

Colaboradores

Collaborator's avatar
Sumedh Panchadhar
Collaborator's avatar
Hillary Green-Lerman
Robert O'Callaghan HeadshotRobert O'Callaghan

Director of Data Science, Ordergroove

Veja Mais

O que os outros alunos têm a dizer?

Junte-se a mais de 14 milhões de alunos e comece Feature Engineering for Machine Learning in Python hoje mesmo!

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.