Build your ultimate AI agent
Описание курса
Этот курс охватывает основы предобработки данных: когда и как её применять. Предобработка — обязательный этап любого проекта по машинному обучению, на котором данные подготавливаются к моделированию. Именно между загрузкой и очисткой данных и обучением модели происходит этот важный шаг. Вы узнаете, как стандартизировать данные, чтобы они соответствовали требованиям модели, как создавать новые признаки для более эффективного использования информации из набора данных, а также как отбирать наиболее важные признаки для улучшения качества модели. В завершение вы применим полученные знания на практике, подготовив набор данных о наблюдениях НЛО к моделированию.
Предварительные требования
Программа
Структура курса
1
Введение в предобработку данных
В этой главе вы узнаете, что именно означает предобработка данных. Вы сделаете первые шаги на пути предобработки: изучите типы данных и научитесь работать с пропущенными значениями.
2
Стандартизация данных
Эта глава полностью посвящена стандартизации данных. Модели машинного обучения нередко предъявляют определённые требования к распределению и масштабу признаков. Стандартизация позволяет привести данные в соответствие с этими требованиями и повысить качество работы алгоритма.
3
Конструирование признаков
В этом разделе вы познакомитесь с конструированием признаков. Вы изучите различные способы создания новых, более информативных признаков на основе уже имеющихся в наборе данных. Вы узнаете, как кодировать, агрегировать и извлекать информацию как из числовых, так и из текстовых признаков.
4
Отбор признаков для моделирования
В этой главе рассматриваются различные методы отбора наиболее важных признаков из набора данных. Вы научитесь удалять избыточные признаки, работать с текстовыми векторами и сокращать размерность данных с помощью метода главных компонент (PCA).
5
Применяем всё на практике
Теперь, когда вы изучили предобработку данных, пришло время применить эти методы на практике — с использованием набора данных о наблюдениях НЛО.
Предобработка данных для машинного обучения на Python
Курс
завершён
