After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Makine Öğrenimi için Özellik Mühendisliğini Keşfedin
Bu kursta, birçok makine öğrenimi modelinin temelini oluşturan özellik mühendisliği hakkında bilgi edineceksiniz. Herhangi bir modelin performansı, beslendiği özelliklerin doğrudan bir sonucu olduğundan, özellik mühendisliği, alan bilgisini sürecin merkezine yerleştirir. Ses özelliği mühendisliğinin ilkelerini öğrenecek, mümkün olduğunda değişkenlerin sayısını azaltmaya yardımcı olacak, öğrenme algoritmalarının daha hızlı çalışmasını sağlayacak, yorumlanabilirliği artıracak ve aşırı uyumlamayı önleyeceksiniz.R'de Özellik Mühendisliği Tekniklerini Uygulama
R tidymodels çerçevesini kullanarak özellik mühendisliği tekniklerini nasıl uygulayacağınızı öğrenecek ve modeliniz için en iyi özellikleri oluşturmanıza, çıkarmanıza, dönüştürmenize ve seçmenize olanak tanıyan recipe paketini vurgulayacaksınız.Mühendis Özellikleri ve Daha İyi ML Modelleri Oluşturma
Yeni bir veri setiyle karşılaştığınızda, ilgili özellikleri belirleyip seçebilir ve bilgilendirici olmayanları göz ardı ederek, doğruluktan ödün vermeden modelinizin daha hızlı çalışmasını sağlayabilirsiniz. Ayrıca, modellerinizi daha verimli, anlaşılır ve doğru hale getirmek için dönüşümler uygulamaktan ve yeni özellikler oluşturmaktan da rahatlık duyacaksınız!Ön Koşullar
Müfredat
Kurs içeriği
1
Feature Engineering'e Giriş
Ham veriler analiz için her zaman ideal biçimde gelmez. Bu açılış bölümünde, modelinin performansını ve yorumlanabilirliğini artıran özellikleri nasıl dönüştürüp oluşturabileceğine ilk bakışı atacağız.
- Özellik mühendisliği nedir?50 XP
- Geçici bir model100 XP
- Bir özelliği elle geliştirme100 XP
- Alan bilgisini kullanarak yeni özellikler oluşturma50 XP
- Analiz için verini hazırlama100 XP
- Bir workflow oluşturma100 XP
- Ham verinin bilgi içeriğini artırma50 XP
- Eksik değerleri belirleme100 XP
- Eksik değerleri atama ve kukla değişkenler oluşturma100 XP
- Modeli eğitme ve değerlendirme100 XP
- Otel rezervasyonlarını tahmin etme100 XP
2
Özellikleri Dönüştürme
Bu bölümde, özellikleri elle dönüştürmenin ötesinde, tidyverse araçlarını kullanarak programatik olarak yeni değişkenler türetebileceğini öğreneceksin. Bu yaklaşımın modellerinin yeniden üretilebilirliğini nasıl geliştirdiğini ve özellikle çok sayıda özelliğe sahip veri kümelerini işlerken neden faydalı olduğunu keşfedeceksin.
3
Özellik Çıkarma
Şimdi, modellerin sıklıkla boyutu azaltmaktan ve yüksek boyutlu veriden özellik çıkarmaktan nasıl yarar sağladığını öğreneceksin; buna metin verisini sayısal değerlere dönüştürme, kategorik veriyi kodlama ve değişkenlerin kestirim gücünü derecelendirme de dahildir. Başlıca yöntemler olarak temel bileşenler analizi, çekirdek temel bileşenler analizi, metinden sayısal çıkarım, kategorik kodlamalar ve değişken önem skorlarını inceleyeceksin.
4
Özellik Seçimi
Kursu, feature engineering ve Machine Learning tekniklerini öğrenerek tamamlayacaksın. Önce, bir modelde mevcut tüm özellikleri kullanmanın yol açtığı sorunlara, ilgisiz ve yinelenen özellikleri belirlemenin önemine ve bu özellikleri lasso ve elastic-net gibi gömülü yöntemlerle kaldırmayı öğrenmeye odaklanacaksın. Ardından, katsayıları sıfıra çekerek özellik ağırlıklarını düzenlemek veya özellik seçimi yapmak için kullanılabilen lasso, ridge ve elastic-net gibi küçültme yöntemlerini keşfedeceksin. Son olarak, uçtan uca bir feature engineering iş akışı oluşturup küçük bir projede önceki kavram ve fonksiyonları gözden geçirip uygulayarak bitireceksin.
R
R'da Feature Engineering
Kurs
Tamamlandı
