700+ courses, half price
Kurs Açıklaması
Yüksek boyutlu veri kümeleri göz korkutucu olabilir ve nereden başlayacağını bilemeyebilirsin. Genelde yeni bir veri kümesini önce görselleştirerek keşfedersin; ancak çok fazla boyut olduğunda klasik yaklaşımlar yetersiz kalır. Neyse ki, özellikle yüksek boyutlu veriler için tasarlanmış görselleştirme teknikleri var ve bu kursta onlarla tanışacaksın. Verileri keşfettikten sonra, birçok özelliğin ya değişkenlik göstermediği ya da diğer özelliklerin kopyası olduğu için çok az bilgi taşıdığını sıkça görürsün. Bu özellikleri nasıl tespit edip veri kümesinden çıkaracağını öğrenecek, böylece bilgi içerenlere odaklanabileceksin. Sonraki adımda bu özelliklerle bir model kurmak isteyebilirsin ve bazı özelliklerin tahmin etmeye çalıştığın hedef üzerinde hiçbir etkisi olmadığını fark edebilirsin. Boyutu ve dolayısıyla karmaşıklığı azaltmak için bu ilgisiz özellikleri de nasıl tespit edip çıkarman gerektiğini öğreneceksin. Son olarak, öz nitelik çıkarımı tekniklerinin, ilişkisiz birincil bileşenler hesaplayarak senin için boyutu nasıl azaltabileceğini göreceksin.
Ön Koşullar
Müfredat
Kurs planı
1
Yüksek Boyutlu Verileri Keşfetmek
Boyut azaltma kavramıyla tanışacak ve bunun ne zaman ve neden önemli olduğunu öğreneceksin. Özellik seçimi ile özellik çıkarımı arasındaki farkı anlayacak ve her iki tekniği de veri keşfi için uygulayacaksın. Bölüm, yüksek boyutlu bir veri kümesini görselleştirmeni sağlayan güçlü bir özellik çıkarımı tekniği olan t-SNE dersiyle sona erer.
- Giriş50 XP
- Bir veri kümesindeki boyut sayısını bulma50 XP
- Varyansı olmayan özellikleri kaldırma100 XP
- Özellik seçimi ve özellik çıkarımı50 XP
- Gereksiz özellikleri görsel olarak tespit etme100 XP
- Öznitelik seçiminin avantajı50 XP
- Yüksek boyutlu verilerin t-SNE görselleştirmesi50 XP
- t-SNE sezgisi50 XP
- ANSUR verisine t-SNE uygulama100 XP
- Boyutsallığın t-SNE görselleştirmesi100 XP
2
Özellik Seçimi I - Bilgi İçin Seçim
Özellik seçimine dair iki bölümün ilkinde, boyutsallığın lanetini ve boyut azaltmanın bununla nasıl başa çıkmana yardım edebileceğini öğreneceksin. Veri kümesine çok az katma değer sağlayan özellikleri tespit edip kaldırmak için kullanılacak çeşitli tekniklerle tanışacaksın. Bunun nedeni, düşük varyansa sahip olmaları, çok fazla eksik değer içermeleri ya da diğer özelliklerle güçlü şekilde korele olmaları olabilir.
3
Özellik Seçimi II - Model Doğruluğu İçin Seçim
Özellik seçimine dair bu ikinci bölümde, belirli bir hedef özelliği tahmin etmek için bir veri kümesindeki en önemli özellikleri bulmana modellerin nasıl yardım edebileceğini öğreneceksin. Bu bölümün son dersinde, hangi özellikleri tutmaya değer olduğuna karar vermek için birden fazla, farklı modelin önerilerini birleştireceksin.
4
Özellik Çıkarımı
Bu bölüm, en sık kullanılan boyut azaltma algoritması Principal Component Analysis (PCA) üzerine derinlemesine bir inceleme sunar. Bu algoritmanın nasıl ve neden bu kadar güçlü olduğu konusunda sezgi geliştirecek ve onu hem veri keşfi için hem de bir modelleme hattında veri ön işleme amacıyla uygulayacaksın. Bölümü havalı bir görüntü sıkıştırma kullanım senaryosuyla bitireceksin.
Python'da Boyut Azaltma
Kurs
Tamamlandı
