700+ courses, half price
Kursbeskrivning
Upptäck Feature Engineering för maskininlärning
I den här kursen får du lära dig om feature engineering, som är kärnan i många typer av machine learning-modeller. Eftersom prestandan hos varje modell är en direkt konsekvens av de features den matas med, sätter feature engineering domänkunskap i centrum av processen. Du kommer att lära dig principerna för effektiv feature engineering, vilket hjälper dig att minska antalet variabler där det är möjligt, få algoritmer att köra snabbare, förbättra tolkbarheten och förhindra överanpassning.Implementera tekniker för feature engineering i R
Du kommer att lära dig hur du implementerar feature engineering-tekniker med hjälp av R:s tidymodels-ramverk, med fokus på paketet recipe som gör det möjligt för dig att skapa, extrahera, transformera och välja de bästa features för din modell.Skapa funktioner och bygg bättre ML-modeller
När du ställs inför en ny dataset kommer du kunna identifiera och välja relevanta features och bortse från icke-informativa för att få din modell att köra snabbare utan att tumma på noggrannheten. Du kommer också att bli trygg med att använda transformationer och skapa nya funktioner för att göra dina modeller mer effektiva, lättare att tolka och mer träffsäkra!Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till feature engineering
Rådata är inte alltid i sitt bästa skick för analys. I det här inledande kapitlet får du en första inblick i hur du transformerar och skapar särdrag som förbättrar din modells prestanda och tolkbarhet.
- Vad är feature engineering?50 XP
- En preliminär modell100 XP
- Skapa ett särdrag manuellt100 XP
- Skapa nya särdrag med hjälp av domänkunskap50 XP
- Förbered dina data för analys100 XP
- Skapa ett arbetsflöde100 XP
- Öka informationsinnehållet i rådata50 XP
- Identifiera saknade värden100 XP
- Imputera saknade värden och skapa dummyvariabler100 XP
- Träna och utvärdera modellen100 XP
- Förutsäga hotellbokningar100 XP
2
Transformera särdrag
I det här kapitlet lär du dig att det, utöver att manuellt transformera särdrag, går att använda verktyg från tidyverse för att konstruera nya variabler programmatiskt. Du utforskar hur det här tillvägagångssättet förbättrar reproducerbarheten hos dina modeller och är särskilt användbart när du hanterar datamängder med många särdrag.
3
Extrahera särdrag
Nu lär du dig hur modeller ofta drar nytta av att minska dimensionaliteten och extrahera särdrag från högdimensionella data, till exempel genom att konvertera textdata till numeriska värden, koda kategoriska data och rangordna variablers prediktiva förmåga. Du utforskar metoder som principalkomponentanalys, kernel-principalkomponentanalys, numerisk extraktion från text, kategoriska kodningar och variabelviktspoäng.
4
Välja särdrag
Du avslutar kursen med att lära dig om feature engineering och maskininlärningstekniker. Du börjar med att fokusera på problemen med att använda alla tillgängliga särdrag i en modell, samt vikten av att identifiera irrelevanta och redundanta särdrag och lära dig att ta bort dem med inbyggda metoder som lasso och elastic-net. Därefter utforskar du krympningsmetoder som lasso, ridge och elastic-net, vilka kan användas för att regularisera särdragsvikter eller välja särdrag genom att sätta koefficienter till noll. Slutligen fokuserar du på att skapa ett heltäckande arbetsflöde för feature engineering och repetera och öva de tidigare inlärda begreppen och funktionerna i ett mindre projekt.
R
Feature Engineering i R
Kurs
slutförd
