After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Набори даних із великою кількістю вимірів можуть збивати з пантелику й не давати розуміння, з чого почати. Зазвичай ви спершу візуально досліджуєте новий набір даних, але коли вимірів забагато, класичні підходи виявляються недостатніми. На щастя, існують техніки візуалізації, створені спеціально для високовимірних даних, і в цьому курсі ви з ними познайомитеся. Під час дослідження даних часто з'ясується, що багато ознак майже не несуть інформації: вони не змінюються або дублюють інші. Ви навчитеся виявляти такі ознаки та вилучати їх із набору даних, щоб зосередитися на інформативних. Далі ви, можливо, захочете побудувати модель на цих ознаках, і може виявитися, що деякі з них не впливають на те, що ви намагаєтеся передбачити. Ви також навчитеся виявляти та відкидати ці нерелевантні ознаки, щоб зменшити розмірність і складність. Нарешті, ви дізнаєтеся, як методи видобування ознак можуть автоматично зменшувати розмірність через обчислення некорельованих головних компонент.
Попередні вимоги
Навчальний план
Зміст курсу
1
Дослідження високовимірних даних
Вас познайомлять із поняттям зменшення розмірності та пояснять, коли й чому це важливо. Ви дізнаєтеся різницю між відбором ознак і видобуванням ознак і застосуєте обидва підходи для дослідження даних. Наприкінці розділу буде урок про t-SNE — потужний метод видобування ознак, який дає змогу візуалізувати високовимірний набір даних.
- Вступ50 XP
- Визначення кількості вимірів у наборі даних50 XP
- Вилучення ознак без варіації100 XP
- Відбір ознак проти видобування ознак50 XP
- Візуальне виявлення надлишкових ознак100 XP
- Перевага відбору ознак50 XP
- Візуалізація високовимірних даних за допомогою t-SNE50 XP
- Інтуїція щодо t-SNE50 XP
- Навчання t-SNE на даних ANSUR100 XP
- Візуалізація t-SNE для розмірності100 XP
2
Відбір ознак I — Вибір за інформативністю ознак
У першому з двох розділів про відбір ознак ви дізнаєтеся про «прокляття розмірності» та про те, як зменшення розмірності допомагає з ним упоратися. Ви познайомитеся з кількома техніками для виявлення й вилучення ознак, що майже не додають цінності набору даних. Зокрема, коли вони мають низьку дисперсію, занадто багато пропусків або сильно корелюють з іншими ознаками.
3
Відбір ознак II — Вибір для точності моделі
У цьому другому розділі про відбір ознак ви навчитеся залучати моделі, щоб знаходити найважливіші ознаки для передбачення певної цільової ознаки. В останньому уроці розділу ви поєднаєте поради кількох різних моделей, щоб вирішити, які ознаки варто залишити.
4
Видобування ознак
Цей розділ — глибоке занурення в найчастіше використовуваний алгоритм зменшення розмірності — Principal Component Analysis (PCA). Ви сформуєте інтуїцію, як і чому цей алгоритм такий потужний, і застосуєте його як для дослідження даних, так і для попередньої обробки в конвеєрі моделювання. Завершите розділ цікавим кейсом зі стиснення зображень.
Зменшення розмірності в Python
Курс
завершено
