Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Todo dia você lê sobre avanços incríveis e como as aplicações mais recentes de Machine Learning estão mudando o mundo. Muitas vezes, essas matérias deixam de lado o fato de que é preciso fazer um grande trabalho de preparação de dados e engenharia de atributos antes de usar qualquer um desses modelos sofisticados. Neste curso, você vai aprender exatamente isso. Você vai trabalhar com a pesquisa de desenvolvedores do Stack Overflow e com discursos históricos de posse de presidentes dos EUA para entender como pré-processar e criar atributos a partir de dados categóricos, contínuos e não estruturados. Este curso oferece prática direta de como preparar qualquer dado para seus próprios modelos de Machine Learning.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Criando atributos
Neste capítulo, você vai explorar o que é engenharia de atributos e como começar a aplicá-la em dados do mundo real. Você vai carregar, explorar e visualizar um conjunto de respostas de pesquisa e, com isso, entender os tipos de dados subjacentes e por que eles influenciam a forma como você deve criar seus atributos. Usando o pacote pandas, você vai criar novos atributos a partir de colunas categóricas e contínuas.
- Por que gerar features?50 XP
- Conhecendo seus dados100 XP
- Selecionando tipos de dados específicos100 XP
- Como lidar com variáveis categóricas50 XP
- One-hot encoding e variáveis dummies100 XP
- Lidando com categorias incomuns100 XP
- Variáveis numéricas50 XP
- Binarizando colunas100 XP
- Agrupando valores em faixas (binning)100 XP
2
Lidando com dados bagunçados
Este capítulo apresenta a realidade de dados bagunçados e incompletos. Você vai aprender a encontrar onde seus dados têm valores ausentes e explorar várias abordagens para tratá-los. Você também usará técnicas de manipulação de strings para lidar com caracteres indesejados no seu conjunto de dados.
3
Conformidade com pressupostos estatísticos
Neste capítulo, o foco é analisar a distribuição subjacente dos seus dados e se ela impactará seu pipeline de Machine Learning. Você vai aprender a lidar com dados assimétricos e situações em que outliers podem estar prejudicando sua análise.
4
Trabalhando com dados de texto
Por fim, neste capítulo, você vai trabalhar com dados de texto não estruturados, entendendo maneiras de extrair atributos em colunas a partir de um corpus de texto. Você vai comparar como diferentes abordagens podem impactar o quanto de contexto é extraído de um texto e como equilibrar a necessidade de contexto sem criar atributos em excesso.
Feature Engineering for Machine Learning in Python
Curso
concluído
