Ana içeriğe atla

Kurs

Python ile Machine Learning için Özellik Mühendisliği

Orta SeviyeBeceri Seviyesi

Güncel 02.2023

Makine öğrenimi modellerinizin performansını iyileştirmek için yeni özellikler oluşturun.

Kursa Ücretsiz Başlayın

PythonMachine Learning

4 sa

16 video

53 Egzersiz

4,350 XP

38,908

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

Kurs Açıklaması

Her gün, Machine Learning'in en yeni uygulamalarının dünyayı nasıl değiştirdiğine dair etkileyici gelişmeleri okuyorsun. Bu haberler çoğu zaman, bu gelişmiş modeller kullanılmadan önce çok büyük ölçüde veri hazırlama ve özellik mühendisliği yapılması gerektiği gerçeğini göz ardı eder. Bu kursta tam da bunu nasıl yapacağını öğreneceksin. Stack Overflow Geliştiricileri anketi ve geçmiş ABD başkanlık yemin töreni konuşmalarıyla çalışarak, kategorik, sürekli ve yapılandırılmamış verilerden özellikleri en iyi nasıl ön işleyip tasarlayacağını anlayacaksın. Bu kurs, kendi Machine Learning modellerin için herhangi bir veriyi nasıl hazırlayacağına dair uygulamalı deneyim kazandıracak.

Önkoşullar

Supervised Learning with scikit-learn

1

Özellik Oluşturma

Bu bölümde, özellik mühendisliğinin ne olduğunu ve bunu gerçek dünya verilerine nasıl uygulamaya başlayacağını keşfedeceksin. Bir anket yanıt veri kümesini yükleyip inceleyecek ve görselleştireceksin; bunu yaparken altta yatan veri tiplerini ve bunların özelliklerini nasıl tasarlaman gerektiğini neden etkilediğini öğreneceksin. pandas paketini kullanarak hem kategorik hem de sürekli sütunlardan yeni özellikler oluşturacaksın.

Neden özellik üretiyoruz?

Verini tanı

Belirli veri tiplerini seçme

Kategorik özelliklerle çalışmak

One-hot encoding ve kukla değişkenler

Nadir kategorilerle başa çıkma

Sayısal değişkenler

Sütunları ikili değerlere dönüştürme

Değerleri bölmelere ayırma (binning)

Bölümü Başlat

2

Dağınık Verilerle Başa Çıkma

Bu bölüm, dağınık ve eksik verilerin gerçekliğiyle seni tanıştırıyor. Verinde eksik değerlerin nerede olduğunu bulmayı ve onlarla nasıl başa çıkacağına dair birden çok yaklaşımı keşfetmeyi öğreneceksin. Ayrıca veri küpendeki istenmeyen karakterlerle başa çıkmak için dize (string) işleme tekniklerini kullanacaksın.

Eksik değerler neden var?

Verim ne kadar seyrek?

Eksik değerleri bulma

Eksik değerlerle başa çıkma (I)

Liste bazlı silme

Eksik değerleri sabitlerle değiştirme

Eksik değerlerle başa çıkma (II)

Sürekli eksik değerleri doldurma

Tahmine dayalı modellerde değer atama (imputation)

Diğer veri sorunlarını ele alma

Başıboş karakterlerle başa çıkma (I)

Başıboş karakterlerle başa çıkma (II)

Metot zincirleme

Bölümü Başlat

3

İstatistiksel Varsayımlara Uyum Sağlama

Bu bölümde, verinin altta yatan dağılımını ve bunun Machine Learning sürecini etkileyip etkilemeyeceğini analiz etmeye odaklanacaksın. Çarpık dağılımlarla ve aykırı değerlerin analizini olumsuz etkileyebileceği durumlarla nasıl başa çıkacağını öğreneceksin.

Veri dağılımları

Verilerin nasıl görünüyor? (I)

Verilerin nasıl görünüyor? (II)

Verilerini ne zaman dönüştürmek zorunda değilsin?

Ölçekleme ve dönüşümler

Normalizasyon

Standardizasyon

Log dönüşümü

Normalleştirmeyi ne zaman kullanabilirsin?

Aykırı değerleri kaldırma

Yüzdeye dayalı aykırı değer kaldırma

İstatistiksel aykırı değer kaldırma

Yeni veriyi ölçekleme ve dönüştürme

Eğitim ve test dönüşümleri (I)

Eğitim ve test dönüşümleri (II)

Bölümü Başlat

4

Metin Verileriyle Çalışma

Son olarak, bu bölümde yapılandırılmamış metin verileriyle çalışacak ve bir metin derlemesinden sütun türünde özellikler üretmenin yollarını anlayacaksın. Farklı yaklaşımların metinden ne kadar bağlam çıkarıldığını nasıl etkileyebileceğini ve çok fazla özellik oluşturmadan bağlam ihtiyacını nasıl dengeleyeceğini karşılaştıracaksın.

Metni kodlama

Metnini temizleme

Yüksek düzey metin özellikleri

Kelime sayımları

Kelimeleri sayma (I)

Kelimeleri sayma (II)

Özelliklerini sınırlama

Metinden DataFrame'e

Terim sıklığı - ters belge sıklığı

Tf-idf değerlerini inceleme

Görülmemiş veriyi dönüştürme

Daha uzun n-gram'lar kullanma

En yaygın sözcükleri bulma

Bölümü Başlat

Python ile Machine Learning için Özellik Mühendisliği

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve Python ile Machine Learning için Özellik Mühendisliği eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.