Build your ultimate AI agent
Kursbeskrivning
Högdimensionella datamängder kan vara överväldigande och det kan vara svårt att veta var man ska börja. Vanligtvis utforskar man en ny datamängd visuellt först, men när antalet dimensioner är stort räcker de klassiska metoderna ofta inte till. Det finns lyckligtvis visualiseringstekniker som är utformade specifikt för högdimensionell data, och du får bekanta dig med dessa i den här kursen. När du har utforskat datan märker du ofta att många särdrag innehåller lite information – antingen för att de saknar variation eller för att de är dubbletter av andra särdrag. Du lär dig att identifiera och ta bort sådana särdrag så att du kan fokusera på de informativa. I nästa steg kanske du vill bygga en modell på dessa särdrag, och det kan visa sig att vissa inte har någon effekt på det du försöker förutsäga. Du lär dig även att identifiera och ta bort dessa irrelevanta särdrag för att minska dimensionaliteten och därmed komplexiteten. Slutligen lär du dig hur särdragsextraktion kan minska dimensionaliteten genom beräkning av okorrelerade principalkomponenter.
Förkunskapskrav
Kursplan
Kursöversikt
1
Utforska högdimensionell data
Du introduceras till begreppet dimensionsreduktion och lär dig när och varför det är viktigt. Du lär dig skillnaden mellan särdragsurval och särdragsextraktion och tillämpar båda teknikerna för datautforskning. Kapitlet avslutas med en lektion om t-SNE, en kraftfull särdragsextraktionsteknik som låter dig visualisera en högdimensionell datamängd.
- Introduktion50 XP
- Hitta antalet dimensioner i en datamängd50 XP
- Ta bort särdrag utan varians100 XP
- Funktionsurval vs. funktionsextraktion50 XP
- Identifiera redundanta särdrag visuellt100 XP
- Fördelen med särdragsurval50 XP
- t-SNE-visualisering av högdimensionell data50 XP
- t-SNE – grundläggande intuition50 XP
- Anpassa t-SNE till ANSUR-data100 XP
- t-SNE-visualisering av dimensionalitet100 XP
2
Särdragsurval I – urval baserat på särdragsinformation
I det här första av två kapitel om särdragsurval lär du dig om dimensionalitetens förbannelse och hur dimensionsreduktion kan hjälpa dig att hantera den. Du introduceras till ett antal tekniker för att identifiera och ta bort särdrag som tillför datamängden lite mervärde – antingen för att de har liten varians, för många saknade värden, eller för att de är starkt korrelerade med andra särdrag.
3
Särdragsurval II – urval baserat på modellnoggrannhet
I det här andra kapitlet om särdragsurval lär du dig hur modeller kan hjälpa dig att hitta de viktigaste särdragen i en datamängd för att förutsäga ett visst målsärdrag. I kapitelets sista lektion kombinerar du råd från flera olika modeller för att avgöra vilka särdrag som är värda att behålla.
4
Särdragsextraktion
Det här kapitlet är en fördjupning i den mest använda algoritmen för dimensionsreduktion: principalkomponentanalys (PCA). Du bygger upp en intuitiv förståelse för hur och varför den här algoritmen är så kraftfull, och tillämpar den både för datautforskning och dataförbehandling i en modelleringspipeline. Kapitlet avslutas med ett praktiskt exempel på bildkomprimering.
Dimensionsreduktion i Python
Kurs
slutförd
