Build your ultimate AI agent
Описание курса
Откройте для себя Feature Engineering для машинного обучения
В этом курсе вы узнаете о feature engineering, который лежит в основе многих типов моделей машинного обучения. Поскольку производительность любой модели напрямую зависит от признаков, которые в неё подаются, feature engineering ставит предметные знания в центр процесса. Вы познакомитесь с принципами грамотного feature engineering, что поможет по возможности сократить число переменных, ускорить работу алгоритмов обучения, повысить интерпретируемость и предотвратить переобучение.Применение методов feature engineering в R
Вы узнаете, как реализовывать методы инженерии признаков с использованием фреймворка R tidymodels, с акцентом на пакет recipe, который позволит вам создавать, извлекать, преобразовывать и выбирать лучшие признаки для вашей модели.Создавайте признаки и стройте более качественные ML-модели
При работе с новым набором данных вы сможете определять и выбирать релевантные признаки, а неинформативные — игнорировать, чтобы ускорить работу вашей модели без потери точности. Вы также научитесь уверенно применять преобразования и создавать новые признаки, чтобы сделать ваши модели более эффективными, интерпретируемыми и точными!Предварительные требования
Программа
Структура курса
1
Введение в конструирование признаков
Необработанные данные не всегда поступают в наилучшем виде для анализа. В этой вводной главе вы впервые познакомитесь с тем, как преобразовывать и создавать признаки, которые повышают качество и интерпретируемость модели.
- Что такое разработка признаков?50 XP
- Предварительная модель100 XP
- Создание признака вручную100 XP
- Создание новых признаков на основе экспертных знаний50 XP
- Подготовка данных к анализу100 XP
- Создание рабочего процесса100 XP
- Повышение информативности исходных данных50 XP
- Выявление пропущенных значений100 XP
- Импутация пропущенных значений и создание фиктивных переменных100 XP
- Обучение и оценка модели100 XP
- Прогнозирование бронирования отелей100 XP
2
Преобразование признаков
В этой главе вы узнаете, что помимо ручного преобразования признаков можно использовать инструменты tidyverse для программного конструирования новых переменных. Вы изучите, как такой подход повышает воспроизводимость моделей и особенно удобен при работе с наборами данных, содержащими большое количество признаков.
3
Извлечение признаков
Теперь вы узнаете, как модели часто выигрывают от снижения размерности и извлечения признаков из высокоразмерных данных. Это включает преобразование текстовых данных в числовые значения, кодирование категориальных переменных и оценку предсказательной силы признаков. Вы изучите такие методы, как метод главных компонент, ядерный метод главных компонент, числовое извлечение из текста, кодирование категориальных переменных и оценки важности переменных.
4
Отбор признаков
В завершение курса вы познакомитесь с техниками конструирования признаков в контексте машинного обучения. Сначала вы сосредоточитесь на проблемах, возникающих при использовании всех доступных признаков в модели, а также на важности выявления нерелевантных и избыточных признаков и их удаления с помощью встроенных методов — lasso и elastic-net. Затем вы изучите методы регуляризации: lasso, ridge и elastic-net, которые позволяют регуляризировать веса признаков или выполнять их отбор, обнуляя соответствующие коэффициенты. В финале вы сосредоточитесь на построении сквозного рабочего процесса конструирования признаков, повторите и закрепите изученные концепции и функции в небольшом проекте.
R
Конструирование признаков в R
Курс
завершён
