Build your ultimate AI agent
Kursbeskrivning
Den här kursen går igenom grunderna i hur och när du bör förbehandla data. Det här är ett viktigt steg i alla maskininlärningsprojekt – det är då du gör dina data redo för modellering. Förbehandlingen sker i steget mellan att importera och rensa data och att anpassa din maskininlärningsmodell. Du lär dig att standardisera dina data så att de har rätt format för modellen, att skapa nya särdrag för att bättre utnyttja informationen i datamängden, och att välja ut de bästa särdragen för att förbättra modellens prestanda. Avslutningsvis får du öva på förbehandling genom att förbereda en datamängd om UFO-observationer för modellering.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till dataförbehandling
I det här kapitlet lär du dig vad det faktiskt innebär att förbehandla data. Du tar de första stegen i varje förbehandlingsprocess, bland annat att utforska datatyper och hantera saknade värden.
2
Standardisering av data
Det här kapitlet handlar om standardisering av data. En modell utgår ofta från vissa antaganden om fördelningen eller skalan hos dina särdrag. Standardisering är ett sätt att anpassa dina data till dessa antaganden och förbättra algoritmens prestanda.
3
Särdragshantering
I det här avsnittet lär du dig om särdragshantering. Du utforskar olika sätt att skapa nya och mer användbara särdrag utifrån de som redan finns i din datamängd. Du ser hur du kodar, aggregerar och extraherar information från både numeriska och textbaserade särdrag.
4
Välja särdrag för modellering
Det här kapitlet går igenom några olika tekniker för att välja ut de viktigaste särdragen från din datamängd. Du lär dig att ta bort redundanta särdrag, arbeta med textvektorer och minska antalet särdrag med hjälp av principalkomponentanalys (PCA).
5
Allt på plats
Nu när du har lärt dig allt om förbehandling får du prova teknikerna på en datamängd som innehåller information om UFO-observationer.
Förbehandling för maskininlärning i Python
Kurs
slutförd
