After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Реальний світ безладний, і ваше завдання — упорядкувати його. Іграшкові набори даних на кшталт MTCars і Iris — це результат ретельного відбору та очищення, але навіть після цього дані потрібно трансформувати, щоб потужні алгоритми машинного навчання могли видобувати зміст, прогнозувати, класифікувати або кластеризувати. У цьому курсі ми розглянемо приземлені деталі, на які дата-сайєнтисти витрачають 70–80% свого часу: підготовку даних і опрацювання ознак. Оскільки розміри наборів даних стають дедалі більшими, скористаймося PySpark, щоб упоратися з цією проблемою Big Data!
Попередні вимоги
Навчальний план
Зміст курсу
1
Розвідувальний аналіз даних
Спершу розберіться з вашою задачею, перш ніж поринати в деталі! Далі навчіться статистично й візуально досліджувати свій набір даних!
- З чого почати50 XP
- З чого почати?50 XP
- Перевірка версії100 XP
- Завантажте дані100 XP
- Формулювання задачі50 XP
- Що ми прогнозуємо?100 XP
- Перевірка завантаження даних100 XP
- Перевірка типів даних100 XP
- Візуальна перевірка даних / EDA50 XP
- Використання Corr()100 XP
- Використання візуалізацій: distplot100 XP
- Використання візуалізацій: lmplot100 XP
2
Опрацювання з функціями Spark
Реальні дані рідко бувають чистими й готовими до аналізу. У цьому розділі ви навчитеся вилучати зайву інформацію, обробляти пропущені значення та додавати додаткові дані до аналізу.
3
Інженерія ознак
У цьому розділі ви дізнаєтеся, як створювати нові ознаки, з яких навчатиметься ваша модель машинного навчання. Ми розглянемо їх генерування шляхом поєднання полів, видобування значень із «брудних» стовпців або кодування для кращих результатів.
4
Побудова моделі
У цьому розділі ми навчимося обирати потрібний тип моделі. Потім застосуємо наші дані до моделі та оцінимо її. Нарешті, навчимося інтерпретувати результати й зберігати модель на потім!
Опрацювання ознак у PySpark
Курс
завершено
