Build your ultimate AI agent
รายละเอียดคอร์ส
ชุดข้อมูลที่มีมิติสูงอาจทำให้รู้สึกสับสนและไม่รู้ว่าจะเริ่มต้นจากตรงไหน โดยปกติแล้วเราจะสำรวจชุดข้อมูลใหม่ด้วยการมองภาพรวมก่อน แต่เมื่อมีมิติมากเกินไป วิธีการทั่วไปมักไม่เพียงพอ โชคดีที่มีเทคนิคการแสดงผลที่ออกแบบมาสำหรับข้อมูลมิติสูงโดยเฉพาะ และคุณจะได้เรียนรู้เทคนิคเหล่านี้ในคอร์สนี้ หลังจากสำรวจข้อมูลแล้ว มักพบว่าฟีเจอร์หลายตัวให้ข้อมูลน้อยมาก เพราะไม่มีความแปรปรวนหรือเป็นข้อมูลซ้ำซ้อนกับฟีเจอร์อื่น คุณจะได้เรียนรู้วิธีตรวจจับและคัดฟีเจอร์เหล่านี้ออกจากชุดข้อมูล เพื่อให้โฟกัสกับฟีเจอร์ที่มีประโยชน์จริง ๆ ในขั้นถัดไป คุณอาจต้องการสร้างโมเดลจากฟีเจอร์เหล่านี้ และอาจพบว่าบางตัวไม่มีผลต่อสิ่งที่ต้องการทำนาย คุณจะได้เรียนรู้วิธีตรวจจับและตัดฟีเจอร์ที่ไม่เกี่ยวข้องออกด้วย เพื่อลดมิติและความซับซ้อนของข้อมูล สุดท้าย คุณจะได้เรียนรู้ว่าเทคนิคการสกัดฟีเจอร์ช่วยลดมิติข้อมูลได้อย่างไร ผ่านการคำนวณ principal component ที่ไม่สัมพันธ์กัน
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
การสำรวจข้อมูลมิติสูง
บทนี้จะแนะนำแนวคิดเรื่องการลดมิติข้อมูล พร้อมอธิบายว่าเมื่อใดและเพราะเหตุใดจึงมีความสำคัญ คุณจะได้เรียนรู้ความแตกต่างระหว่างการคัดเลือกฟีเจอร์และการสกัดฟีเจอร์ และนำทั้งสองเทคนิคไปใช้ในการสำรวจข้อมูล บทนี้จบด้วยบทเรียนเรื่อง t-SNE ซึ่งเป็นเทคนิคการสกัดฟีเจอร์ที่ทรงพลัง ช่วยให้แสดงผลชุดข้อมูลมิติสูงในรูปแบบภาพได้
- บทนำ50 XP
- การหาจำนวนมิติในชุดข้อมูล50 XP
- การลบฟีเจอร์ที่ไม่มีความแปรปรวน100 XP
- การคัดเลือกฟีเจอร์ vs. การสกัดฟีเจอร์50 XP
- การตรวจหาฟีเจอร์ที่ซ้ำซ้อนด้วยการแสดงภาพ100 XP
- ข้อดีของการเลือกคุณลักษณะ50 XP
- การแสดงภาพข้อมูลหลายมิติด้วย t-SNE50 XP
- ความเข้าใจเกี่ยวกับ t-SNE50 XP
- การ Fit t-SNE กับข้อมูล ANSUR100 XP
- การแสดงภาพ t-SNE สำหรับการลดมิติข้อมูล100 XP
2
การคัดเลือกฟีเจอร์ I - คัดเลือกตามข้อมูลในฟีเจอร์
ในบทแรกจากสองบทเรื่องการคัดเลือกฟีเจอร์นี้ คุณจะได้เรียนรู้เกี่ยวกับปัญหาของมิติที่มากเกินไป และวิธีที่การลดมิติข้อมูลช่วยแก้ปัญหานี้ได้ คุณจะได้รู้จักเทคนิคต่าง ๆ สำหรับตรวจจับและคัดออกฟีเจอร์ที่ให้คุณค่าน้อย ไม่ว่าจะเป็นเพราะมีความแปรปรวนต่ำ มีค่าที่ขาดหายไปมาก หรือมีความสัมพันธ์สูงกับฟีเจอร์อื่น
3
การคัดเลือกฟีเจอร์ II - คัดเลือกเพื่อความแม่นยำของโมเดล
ในบทที่สองเรื่องการคัดเลือกฟีเจอร์นี้ คุณจะได้เรียนรู้วิธีใช้โมเดลช่วยค้นหาฟีเจอร์ที่สำคัญที่สุดในชุดข้อมูลสำหรับการทำนายฟีเจอร์เป้าหมาย ในบทเรียนสุดท้ายของบทนี้ คุณจะได้รวมข้อเสนอแนะจากโมเดลหลายตัวที่แตกต่างกัน เพื่อตัดสินใจว่าฟีเจอร์ใดควรเก็บไว้
4
การสกัดฟีเจอร์
บทนี้เจาะลึกอัลกอริทึมลดมิติข้อมูลที่ใช้บ่อยที่สุด ได้แก่ Principal Component Analysis (PCA) คุณจะได้สร้างความเข้าใจเชิงลึกว่าอัลกอริทึมนี้ทำงานอย่างไรและเหตุใดจึงทรงพลัง และจะนำไปใช้ทั้งในการสำรวจข้อมูลและการเตรียมข้อมูลก่อนสร้างโมเดล บทนี้ปิดท้ายด้วยกรณีศึกษาการบีบอัดภาพที่น่าสนใจ
การลดมิติข้อมูลใน Python
เรียนจบแล้ว
