Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Arbetar du någonsin med datamängder med ett överväldigande antal funktioner? Behöver du alla dessa funktioner? Vilka är de viktigaste? I den här kursen lär du dig tekniker för dimensionsreduktion som hjälper dig att förenkla dina data och de modeller du bygger med dina data, samtidigt som informationen i originaldatan och en god prediktiv prestanda bevaras.
Vi lever i informationsåldern – en era av informationsöverflöd. Konsten att extrahera viktig information från data är en eftertraktad färdighet. Modeller tränas snabbare på reducerad data. I produktion innebär mindre modeller kortare svarstid. Kanske viktigast av allt är att mindre data och modeller ofta är lättare att förstå. Dimensionsreduktion är din Ockhams rakkniv inom datavetenskap.
Skillnaden mellan feature selection och feature extraction! Med R lär du dig hur du identifierar och tar bort variabler med låg eller redundant information, och behåller de variabler som innehåller mest information. Det är feature selection. Du kommer också att lära dig hur du extraherar kombinationer av funktioner som kondenserade komponenter som innehåller maximal information. Det är feature extraction!
Men viktigast av allt, med hjälp av R:s nya paket tidymodel kommer du att använda verkliga data för att bygga modeller med färre funktioner utan att ge avkall på någon betydande prestanda.
Varför lära sig dimensionsreduktion?
Vi lever i informationsåldern – en era av informationsöverflöd. Konsten att extrahera viktig information från data är en eftertraktad färdighet. Modeller tränas snabbare på reducerad data. I produktion innebär mindre modeller kortare svarstid. Kanske viktigast av allt är att mindre data och modeller ofta är lättare att förstå. Dimensionsreduktion är din Ockhams rakkniv inom datavetenskap.
Vad kommer du att lära dig i den här kursen?
Skillnaden mellan feature selection och feature extraction! Med R lär du dig hur du identifierar och tar bort variabler med låg eller redundant information, och behåller de variabler som innehåller mest information. Det är feature selection. Du kommer också att lära dig hur du extraherar kombinationer av funktioner som kondenserade komponenter som innehåller maximal information. Det är feature extraction!
Men viktigast av allt, med hjälp av R:s nya paket tidymodel kommer du att använda verkliga data för att bygga modeller med färre funktioner utan att ge avkall på någon betydande prestanda.
Förkunskapskrav
Kursplan
Kursöversikt
1
Grunderna i dimensionsreduktion
Gör dig redo att förenkla stora datamängder! Du lär dig om information, hur du bedömer särdragsvikt och hur du identifierar särdrag med låg informationshalt. När kapitlet är slut förstår du skillnaden mellan särdragsurval och särdragsextraktion – de två metoderna för dimensionsreduktion.
- Introduktion till dimensionsreduktion50 XP
- Dimensionalitet och särdragsinformation100 XP
- Särdrag med ömsesidig information100 XP
- Information och särdragsviktighet50 XP
- Beräkna rotnodsentropin100 XP
- Beräkna entropin för barnnoderna100 XP
- Beräkna informationsvinst för färg100 XP
- Dimensionsreduktionens betydelse för data och modellbyggande50 XP
- Beräkna möjliga kombinationer100 XP
- Dimensionalitetens förbannelse, överanpassning och bias100 XP
2
Särdragsurval för särdragsvikt
Lär dig att identifiera informationsrika och informationsfattiga särdrag med hjälp av andelen saknade värden, varians och korrelation. Sedan får du se hur du bygger tidymodels-recept för att välja ut särdrag baserat på dessa informationsindikatorer.
3
Särdragsurval för modellprestanda
Det tredje kapitlet introducerar skillnaden mellan oövervakade och övervakade metoder för särdragsurval. Du går igenom hur du använder tidymodels-arbetsflöden för att bygga modeller. Sedan utför du övervakat särdragsurval med hjälp av lasso-regression och slumpskogsmodeller.
4
Särdragsextraktion och modellprestanda
I det här sista kapitlet får du en gedigen förståelse för särdragsextraktion genom att undersöka hur principalkomponenter extraherar och kombinerar den viktigaste informationen från olika särdrag. Du lär dig om och tillämpar tre typer av särdragsextraktion – principalkomponentanalys (PCA), t-SNE och UMAP. Dessutom får du se hur dessa metoder kan användas som ett förbehandlingssteg i tidymodels modellbyggnadsprocess.
R
Dimensionsreduktion i R
Kurs
slutförd
