After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Відкрийте для себе Feature Engineering для Machine Learning
У цьому курсі ви дізнаєтеся про feature engineering, який лежить в основі багатьох типів моделей машинного навчання. Оскільки продуктивність будь-якої моделі є прямим наслідком ознак, які їй подаються, інженерія ознак ставить галузеві знання в центр процесу. Ви ознайомитеся з принципами якісного feature engineering, що допоможе за можливості зменшити кількість змінних, прискорити роботу алгоритмів навчання, покращити інтерпретованість і запобігти overfitting.Застосуйте методи feature engineering у R
Ви навчитеся впроваджувати методи feature engineering за допомогою фреймворку R tidymodels, з акцентом на пакеті recipe, який дасть змогу створювати, витягувати, трансформувати та відбирати найкращі features для вашої моделі.Створюйте ознаки та будуйте кращі ML-моделі
Під час роботи з новим набором даних ви зможете визначати й обирати релевантні ознаки та відкидати неінформативні, щоб прискорити роботу моделі без втрати точності. Ви також навчитеся впевнено застосовувати перетворення та створювати нові ознаки, щоб зробити ваші моделі ефективнішими, зрозумілішими та точнішими!Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до Feature Engineering
Сирі дані не завжди придатні для аналізу у найкращому вигляді. У цій вступній главі ви вперше побачите, як перетворювати й створювати ознаки, що підсилюють ефективність і інтерпретованість вашої моделі.
- Що таке створення ознак?50 XP
- Чернетковa модель100 XP
- Ручне створення ознаки100 XP
- Створення нових ознак на основі предметних знань50 XP
- Підготовка даних до аналізу100 XP
- Побудова workflow100 XP
- Збільшення інформативності сирих даних50 XP
- Виявлення пропущених значень100 XP
- Імпутація пропущених значень і створення фіктивних змінних100 XP
- Підгонка та оцінювання моделі100 XP
- Прогнозування бронювань у готелях100 XP
2
Перетворення ознак
У цій главі ви дізнаєтеся, що, окрім ручного перетворення ознак, можна використовувати інструменти з tidyverse, щоб програмно створювати нові змінні. Ви розглянете, як такий підхід підвищує відтворюваність моделей і особливо корисний, коли працюєте з наборами даних із великою кількістю ознак.
3
Видобування ознак
Тепер ви дізнаєтеся, як моделі часто виграють від зменшення розмірності та видобування ознак із даних високої розмірності, зокрема перетворення текстових даних у числові значення, кодування категоріальних даних і ранжування прогностичної сили змінних. Ви ознайомитеся з методами, зокрема аналізом головних компонент, kernel PCA, числовим видобуванням із тексту, категоріальними кодуваннями та оцінками важливості змінних.
4
Вибір ознак
Ви завершите курс, вивчаючи техніки feature engineering і машинного навчання. Спочатку зосередитеся на проблемах, пов'язаних із використанням усіх наявних ознак у моделі, і на важливості виявлення нерелевантних та надлишкових ознак, а також на їхньому вилученні за допомогою вбудованих методів, таких як lasso та elastic-net. Далі ви розглянете методи усуспільнення (shrinkage), зокрема lasso, ridge та elastic-net, які можна застосовувати для регуляризації ваг ознак або для вибору ознак, зануляючи коефіцієнти. Нарешті, ви зосередитеся на створенні наскрізного робочого процесу feature engineering та на повторенні й практиці раніше вивчених концепцій і функцій у невеликому проєкті.
R
Feature Engineering в R
Курс
завершено
