หลังจากเรียนคอร์สเหล่านี้ รู้สึกมั่นใจในการสร้างการแสดงผลข้อมูลและแดชบอร์ดระดับมืออาชีพ
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
ค้นพบการสร้างฟีเจอร์สำหรับการเรียนรู้ของเครื่อง
ในคอร์สนี้ คุณจะได้เรียนรู้เกี่ยวกับการทำ feature engineering ซึ่งเป็นหัวใจสำคัญของโมเดล machine learning หลายประเภท เนื่องจากประสิทธิภาพของโมเดลใด ๆ ขึ้นอยู่โดยตรงกับคุณลักษณะที่นำมาใช้ การทำ feature engineering จึงให้ความสำคัญกับความรู้เฉพาะทางเป็นหัวใจหลักของกระบวนการนี้ คุณจะได้ทำความรู้จักกับหลักการของการสร้างฟีเจอร์ที่มีประสิทธิภาพ ซึ่งช่วยลดจำนวนตัวแปรเมื่อเป็นไปได้ ทำให้อัลกอริทึมการเรียนรู้ทำงานได้เร็วขึ้น เพิ่มความสามารถในการตีความ และป้องกันปัญหา overfittingนำเทคนิคการสร้างฟีเจอร์ไปใช้ใน R
คุณจะได้เรียนรู้วิธีการนำเทคนิคการสร้างฟีเจอร์ไปใช้ด้วย R tidymodels framework โดยเน้นการใช้แพ็กเกจ recipe ที่ช่วยให้คุณสามารถสร้าง ดึงข้อมูล แปลง และคัดเลือกฟีเจอร์ที่ดีที่สุดสำหรับโมเดลของคุณสร้างฟีเจอร์และพัฒนาโมเดล Machine Learning ที่ดียิ่งขึ้น
เมื่อคุณต้องทำงานกับชุดข้อมูลใหม่ คุณจะสามารถระบุและเลือกคุณลักษณะที่เกี่ยวข้อง พร้อมทั้งตัดคุณลักษณะที่ไม่ให้ข้อมูลออก เพื่อให้โมเดลของคุณทำงานได้รวดเร็วยิ่งขึ้นโดยไม่สูญเสียความแม่นยำ คุณจะได้เรียนรู้วิธีการปรับเปลี่ยนข้อมูลและสร้างฟีเจอร์ใหม่ ๆ เพื่อให้โมเดลของคุณมีประสิทธิภาพมากขึ้น เข้าใจง่ายขึ้น และแม่นยำยิ่งขึ้น!ข้อกำหนดเบื้องต้น
หลักสูตร
โครงร่างคอร์ส
1
แนะนำ Feature Engineering
ข้อมูลดิบไม่ได้อยู่ในรูปแบบที่เหมาะสมสำหรับการวิเคราะห์เสมอไป ในบทเปิดนี้ คุณจะได้รู้จักกับวิธีการแปลงและสร้างฟีเจอร์ที่ช่วยเพิ่มประสิทธิภาพและความสามารถในการตีความผลของโมเดล
- Feature Engineering คืออะไร?50 XP
- โมเดลเบื้องต้น100 XP
- การสร้าง Feature ด้วยตนเอง100 XP
- การสร้างฟีเจอร์ใหม่โดยใช้ความรู้เฉพาะด้าน50 XP
- เตรียมข้อมูลสำหรับการวิเคราะห์100 XP
- การสร้าง Workflow100 XP
- การเพิ่มคุณค่าทางสารสนเทศให้กับข้อมูลดิบ50 XP
- การระบุค่าที่หายไป100 XP
- การ impute ค่าที่หายไปและการสร้าง dummy variable100 XP
- การ Fit และประเมินโมเดล100 XP
- การพยากรณ์การจองโรงแรม100 XP
2
การแปลงฟีเจอร์
ในบทนี้ คุณจะได้เรียนรู้ว่า นอกจากการแปลงฟีเจอร์ด้วยตนเองแล้ว ยังสามารถใช้เครื่องมือจาก tidyverse เพื่อสร้างตัวแปรใหม่แบบอัตโนมัติได้อีกด้วย จะได้สำรวจว่าแนวทางนี้ช่วยเพิ่มความสามารถในการทำซ้ำของโมเดล และมีประโยชน์อย่างยิ่งเมื่อต้องจัดการกับชุดข้อมูลที่มีฟีเจอร์จำนวนมาก
3
การแยกฟีเจอร์
คุณจะได้เรียนรู้ว่าโมเดลมักได้ประโยชน์จากการลดมิติข้อมูลและการแยกฟีเจอร์จากข้อมูลที่มีมิติสูง ซึ่งรวมถึงการแปลงข้อมูลข้อความเป็นตัวเลข การ encoding ข้อมูลเชิงกลุ่ม และการจัดอันดับความสามารถในการพยากรณ์ของตัวแปร จะได้สำรวจวิธีการต่าง ๆ เช่น principal component analysis, kernel principal component analysis, การแยกค่าตัวเลขจากข้อความ, categorical encodings และคะแนนความสำคัญของตัวแปร
4
การเลือกฟีเจอร์
คุณจะสรุปบทเรียนด้วยการเรียนรู้เทคนิค feature engineering และ machine learning โดยเริ่มจากการทำความเข้าใจปัญหาที่เกิดจากการใช้ฟีเจอร์ทั้งหมดที่มีในโมเดล รวมถึงความสำคัญของการระบุฟีเจอร์ที่ไม่เกี่ยวข้องและซ้ำซ้อน และการเรียนรู้วิธีตัดฟีเจอร์เหล่านั้นออกโดยใช้ embedded methods เช่น lasso และ elastic-net จากนั้นจะสำรวจ shrinkage methods เช่น lasso, ridge และ elastic-net ซึ่งใช้สำหรับ regularize น้ำหนักของฟีเจอร์หรือเลือกฟีเจอร์โดยการตั้งค่าสัมประสิทธิ์เป็นศูนย์ สุดท้าย จะจบลงด้วยการสร้าง workflow ของ feature engineering แบบครบวงจร พร้อมทบทวนและฝึกฝนแนวคิดและฟังก์ชันที่เรียนรู้มาในโปรเจกต์ขนาดเล็ก
R
Feature Engineering in R
เรียนคอร์สจบแล้ว
