ข้ามไปยังเนื้อหาหลัก

คอร์ส

Feature Engineering สำหรับ Machine Learning ใน Python

ขั้นกลาง4 ชม.

สร้างฟีเจอร์ใหม่เพื่อปรับปรุงประสิทธิภาพของโมเดล Machine Learning ของคุณ

Python4 ชม.16 วิดีโอ53 แบบฝึกหัด4,350 XP40,158หนังสือรับรองความสำเร็จ

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google
หรือ
เมื่อดำเนินการต่อ ถือว่าคุณยอมรับ ข้อกำหนดการใช้งานและ นโยบายความเป็นส่วนตัว และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา

ได้รับความไว้วางใจจากผู้เรียนในบริษัทหลายพันแห่ง

กำลังฝึกอบรมทีมอยู่ใช่ไหม?

ทดลองใช้สำหรับองค์กร

รายละเอียดคอร์ส

ทุกวันเราได้ยินข่าวความก้าวหน้าของ machine learning ที่กำลังเปลี่ยนโลก แต่สิ่งที่มักถูกมองข้ามคือกระบวนการจัดการข้อมูลและ feature engineering จำนวนมากที่ต้องทำก่อนจะนำโมเดลเหล่านั้นไปใช้งานจริง ในคอร์สนี้ คุณจะได้เรียนรู้กระบวนการดังกล่าวอย่างละเอียด โดยจะทำงานกับข้อมูลจากแบบสำรวจนักพัฒนาของ Stack Overflow และสุนทรพจน์เข้ารับตำแหน่งประธานาธิบดีสหรัฐฯ เพื่อทำความเข้าใจวิธีการ preprocess และสร้าง feature จากข้อมูลประเภทหมวดหมู่ ข้อมูลต่อเนื่อง และข้อมูลไม่มีโครงสร้าง คอร์สนี้จะให้ประสบการณ์ลงมือปฏิบัติจริง เพื่อเตรียมข้อมูลสำหรับโมเดล machine learning ของคุณเอง

ข้อกำหนดเบื้องต้น

หลักสูตร

โครงร่างคอร์ส

1

การสร้าง Feature

ในบทนี้ คุณจะสำรวจว่า feature engineering คืออะไร และเริ่มต้นนำไปใช้กับข้อมูลจริงอย่างไร จะได้โหลด สำรวจ และแสดงภาพชุดข้อมูลผลสำรวจ พร้อมเรียนรู้เกี่ยวกับประเภทข้อมูลพื้นฐานและเหตุผลที่ประเภทข้อมูลมีผลต่อการสร้าง feature จากนั้นจะใช้ไลบรารี pandas เพื่อสร้าง feature ใหม่จากทั้งคอลัมน์ประเภทหมวดหมู่และประเภทต่อเนื่อง
เริ่มบท
2

การจัดการข้อมูลที่ไม่สมบูรณ์

บทนี้จะพาคุณเข้าสู่ความเป็นจริงของข้อมูลที่ไม่เป็นระเบียบและไม่สมบูรณ์ คุณจะเรียนรู้วิธีตรวจหาค่าที่หายไปในข้อมูล และสำรวจแนวทางต่าง ๆ ในการจัดการกับค่าเหล่านั้น รวมถึงใช้เทคนิคการจัดการสตริงเพื่อกำจัดอักขระที่ไม่ต้องการออกจากชุดข้อมูล
เริ่มบท
3

การปรับข้อมูลให้สอดคล้องกับข้อสมมติทางสถิติ

ในบทนี้ คุณจะมุ่งเน้นการวิเคราะห์การกระจายตัวของข้อมูล และประเมินว่าการกระจายตัวดังกล่าวจะส่งผลต่อ pipeline ของ machine learning อย่างไร คุณจะเรียนรู้วิธีจัดการกับข้อมูลที่มีความเบ้ และสถานการณ์ที่ค่าผิดปกติ (outlier) อาจส่งผลเสียต่อการวิเคราะห์
เริ่มบท
4

การจัดการข้อมูลข้อความ

ในบทสุดท้ายนี้ คุณจะทำงานกับข้อมูลข้อความที่ไม่มีโครงสร้าง โดยเรียนรู้วิธีสร้าง feature เป็นคอลัมน์จากกลุ่มข้อความ (text corpus) จะได้เปรียบเทียบว่าแต่ละแนวทางส่งผลต่อปริมาณบริบทที่ดึงออกมาได้อย่างไร และวิธีสร้างสมดุลระหว่างความต้องการบริบทกับจำนวน feature ที่สร้างขึ้น
เริ่มบท

Feature Engineering สำหรับ Machine Learning ใน Python

เรียนคอร์สจบแล้ว

รับใบรับรองความสำเร็จ

ลงทะเบียนเลย

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

เรียนรู้ได้ทุกที่ด้วยคอร์สบนมือถือและโจทย์เขียนโค้ด 5 นาทีประจำวัน