Name: Передобробка для машинного навчання в Python
Rating: 4.7949308755760365 (434 reviews)

Опис курсу

У цьому курсі ви дізнаєтеся основи того, як і коли виконувати передобробку даних. Це ключовий етап будь-якого проєкту машинного навчання, коли ви готуєте дані до моделювання. Між імпортуванням і чищенням даних та побудовою моделі машинного навчання саме й відбувається передобробка. Ви навчитеся стандартизувати дані, щоб надати їм належного формату для моделі, створювати нові ознаки, щоб якнайкраще використати інформацію у вашому наборі даних, і добирати найкращі ознаки для поліпшення якості моделі. Нарешті, ви потренуєтеся в передобробці на наборі даних про спостереження НЛО, підготувавши його до моделювання.

Попередні вимоги

Cleaning Data in Python Supervised Learning with scikit-learn

Навчальний план

Зміст курсу

Вступ до передобробки даних

У цьому розділі ви точно зрозумієте, що означає передобробляти дані. Ви зробите перші кроки на цьому етапі: дослідите типи даних і розберетеся з пропущеними значеннями.

Почати розділ

Стандартизація даних

Цей розділ присвячений стандартизації даних. Часто модель передбачає певний розподіл або масштаб ваших ознак. Стандартизація допомагає привести дані до цих припущень і підвищити продуктивність алгоритму.

Почати розділ

Інженерія ознак

У цьому розділі ви дізнаєтеся про інженерію ознак. Ви розглянете різні способи створення нових, корисніших ознак на основі тих, що вже є у вашому наборі даних. Побачите, як кодувати, агрегувати та вилучати інформацію як із числових, так і з текстових ознак.

Почати розділ

Вибір ознак для моделювання

У цьому розділі розглянуто кілька різних технік відбору найважливіших ознак із вашого набору даних. Ви навчитеся відкидати надлишкові ознаки, працювати з текстовими векторами та зменшувати кількість ознак у наборі даних за допомогою аналізу головних компонент (PCA).