After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Hiç çok fazla özellik içeren veri kümeleriyle çalıştınız mı? Tüm bu özelliklere ihtiyacınız var mı? En önemlileri hangileridir? Bu kursta, orijinal verilerdeki bilgileri ve iyi tahmin performansını korurken, verilerinizi ve verilerinizle oluşturduğunuz modelleri basitleştirmenize yardımcı olacak boyut azaltma tekniklerini öğreneceksiniz.
Bilgi çağında yaşıyoruz — bilgi bombardımanının yaşandığı bir çağda. Verilerden önemli bilgileri çıkarma sanatı, pazarlanabilir bir beceridir. Modeller, azaltılmış verilerle daha hızlı öğrenir. Üretimde, daha küçük modeller daha hızlı tepki süresi anlamına gelir. Belki de en önemlisi, daha küçük veriler ve modeller genellikle daha kolay anlaşılır. Boyutsallık azaltma, veri biliminde Occam'ın usturasıdır.
Özellik seçimi ile özellik çıkarma arasındaki fark! R kullanarak, düşük veya gereksiz bilgi içeren özellikleri belirlemeyi ve kaldırmayı öğrenecek, en fazla bilgi içeren özellikleri koruyacaksınız. Bu özellik seçimi. Ayrıca, maksimum bilgi içeren yoğunlaştırılmış bileşenler olarak özellik kombinasyonlarını nasıl çıkaracağınızı da öğreneceksiniz. Bu özellik çıkarma!
Ancak en önemlisi, R'nin yeni tidymodel paketini kullanarak, önemli performanstan ödün vermeden daha az özellikli modeller oluşturmak için gerçek dünya verilerini kullanacaksınız.
Neden boyut indirgemeyi öğrenmeliyiz?
Bilgi çağında yaşıyoruz — bilgi bombardımanının yaşandığı bir çağda. Verilerden önemli bilgileri çıkarma sanatı, pazarlanabilir bir beceridir. Modeller, azaltılmış verilerle daha hızlı öğrenir. Üretimde, daha küçük modeller daha hızlı tepki süresi anlamına gelir. Belki de en önemlisi, daha küçük veriler ve modeller genellikle daha kolay anlaşılır. Boyutsallık azaltma, veri biliminde Occam'ın usturasıdır.
Bu kursta neler öğreneceksiniz?
Özellik seçimi ile özellik çıkarma arasındaki fark! R kullanarak, düşük veya gereksiz bilgi içeren özellikleri belirlemeyi ve kaldırmayı öğrenecek, en fazla bilgi içeren özellikleri koruyacaksınız. Bu özellik seçimi. Ayrıca, maksimum bilgi içeren yoğunlaştırılmış bileşenler olarak özellik kombinasyonlarını nasıl çıkaracağınızı da öğreneceksiniz. Bu özellik çıkarma!
Ancak en önemlisi, R'nin yeni tidymodel paketini kullanarak, önemli performanstan ödün vermeden daha az özellikli modeller oluşturmak için gerçek dünya verilerini kullanacaksınız.
Ön Koşullar
Müfredat
Kurs içeriği
1
Boyutsal Azaltmanın Temelleri
Büyük veri kümelerini basitleştirmeye hazırlan! Bilgi kavramını, özellik önemini nasıl değerlendireceğini öğrenecek ve düşük bilgi içeren özellikleri belirleme pratiği yapacaksın. Bölümün sonunda, boyutsal azaltmanın iki yaklaşımı olan özellik seçimi ve özellik çıkarımı arasındaki farkı anlayacaksın.
- Boyut indirgemeye giriş50 XP
- Boyutluluk ve özellik bilgisi100 XP
- Karşılıklı bilgi içeren özellikler100 XP
- Bilgi ve özellik önemi50 XP
- Kök entropisini hesaplama100 XP
- Alt düğüm entropilerini hesaplama100 XP
- Renge göre bilgi kazancını hesaplama100 XP
- Veri ve Model Oluşturmada Boyut Azaltmanın Önemi50 XP
- Olası kombinasyonları hesapla100 XP
- Boyutsallık laneti, aşırı uyum ve yanlılık100 XP
2
Özellik Önemine Göre Özellik Seçimi
Eksik değer oranları, varyans ve korelasyona bakarak bilgi açısından zengin ve fakir özellikleri nasıl belirleyeceğini öğren. Ardından, bu bilgi göstergelerini kullanarak özellik seçmek için tidymodels tarifleri oluşturmayı keşfedeceksin.
3
Model Performansına Göre Özellik Seçimi
Üçüncü bölüm, gözetimsiz ve gözetimli özellik seçimi yaklaşımları arasındaki farkı tanıtır. Modeller kurmak için tidymodels iş akışlarının nasıl kullanılacağını gözden geçireceksin. Sonrasında, lasso regresyon ve random forest modelleriyle gözetimli özellik seçimi yapacaksın.
4
Özellik Çıkarımı ve Model Performansı
Bu son bölümde, temel bileşenlerin farklı özelliklerden en önemli bilgileri nasıl çıkarıp birleştirdiğini anlayarak özellik çıkarımı konusunda güçlü bir sezgi kazanacaksın. Ardından üç tür özellik çıkarımı — Principal Component Analysis (PCA), t-SNE ve UMAP — hakkında bilgi edinip uygulayacaksın. Bu özellik çıkarım yöntemlerini, tidymodels model kurma sürecinde bir ön işleme adımı olarak nasıl kullanabileceğini keşfet.
R
R'de Boyutsal Azaltma
Kurs
Tamamlandı
