Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Verkligheten är rörig och din uppgift är att skapa ordning ur kaoset. Leksaksdatamängder som MTCars och Iris är resultatet av noggrann urvals- och rensningsprocess, men även de behöver omvandlas för att kraftfulla maskininlärningsalgoritmer ska kunna utvinna mening, göra prognoser, klassificera eller klustra. Den här kursen täcker de konkreta detaljerna som datavetare lägger 70–80 % av sin tid på: datarensning och feature engineering. Eftersom datamängderna nu blir allt större använder vi PySpark för att hantera dessa Big Data-problem på ett effektivt sätt!
Förkunskapskrav
Kursplan
Kursöversikt
1
Explorativ dataanalys
Lär känna ditt problem innan du dyker in! Sedan lär du dig att inspektera din datamängd både statistiskt och visuellt.
- Var ska man börja?50 XP
- Var börjar man?50 XP
- Kontrollera versionen100 XP
- Läs in data100 XP
- Definiera ett problem50 XP
- Vad försöker vi förutsäga?100 XP
- Verifiera inläst data100 XP
- Verifiera datatyper100 XP
- Visuell inspektion av data / EDA50 XP
- Använda Corr()100 XP
- Visualiseringar: distplot100 XP
- Visualiseringar: lmplot100 XP
2
Datarensning med Spark-funktioner
Verklig data är sällan ren och redo för analys. I det här kapitlet lär du dig att ta bort onödig information, hantera saknade värden och lägga till ytterligare data i din analys.
3
Feature Engineering
I det här kapitlet lär du dig att skapa nya features som din maskininlärningsmodell kan lära sig av. Vi tittar på hur man genererar dem genom att kombinera fält, extrahera värden från röriga kolumner eller koda om dem för bättre resultat.
4
Bygga en modell
I det här kapitlet lär du dig att välja rätt typ av modell. Sedan lär du dig att applicera dina data på modellen och utvärdera den. Avslutningsvis går vi igenom hur du tolkar resultaten och sparar modellen för senare användning!
Feature Engineering med PySpark
Kurs
slutförd
