After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Các bộ dữ liệu có số chiều lớn có thể khiến bạn choáng ngợp và không biết bắt đầu từ đâu. Thông thường, bạn sẽ khám phá trực quan một bộ dữ liệu mới trước, nhưng khi có quá nhiều chiều, các cách tiếp cận cổ điển sẽ tỏ ra không đủ. May mắn là có những kỹ thuật trực quan hóa được thiết kế riêng cho dữ liệu nhiều chiều và bạn sẽ được giới thiệu trong khóa học này. Sau khi khám phá dữ liệu, bạn thường sẽ thấy nhiều đặc trưng gần như không chứa thông tin vì chúng không có độ biến thiên hoặc trùng lặp với đặc trưng khác. Bạn sẽ học cách phát hiện và loại bỏ các đặc trưng này khỏi bộ dữ liệu để tập trung vào những đặc trưng giàu thông tin. Ở bước tiếp theo, bạn có thể muốn xây dựng một mô hình dựa trên các đặc trưng này, và có thể hóa ra một số đặc trưng không ảnh hưởng gì đến biến bạn đang cố dự đoán. Bạn cũng sẽ học cách phát hiện và loại bỏ những đặc trưng không liên quan này để giảm số chiều và do đó giảm độ phức tạp. Cuối cùng, bạn sẽ học cách các kỹ thuật trích xuất đặc trưng có thể giúp giảm chiều cho bạn thông qua việc tính toán các thành phần chính không tương quan.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Khám phá Dữ liệu Nhiều Chiều
Bạn sẽ được giới thiệu khái niệm giảm chiều dữ liệu và học khi nào, tại sao điều này lại quan trọng. Bạn sẽ học sự khác biệt giữa chọn đặc trưng và trích xuất đặc trưng, và sẽ áp dụng cả hai kỹ thuật cho việc khám phá dữ liệu. Chương kết thúc với bài học về t-SNE, một kỹ thuật trích xuất đặc trưng mạnh mẽ cho phép bạn trực quan hóa một bộ dữ liệu có số chiều lớn.
- Giới thiệu50 XP
- Tìm số chiều trong một tập dữ liệu50 XP
- Loại bỏ các thuộc tính không có phương sai100 XP
- Feature selection và feature extraction50 XP
- Phát hiện trực quan các đặc trưng dư thừa100 XP
- Ưu điểm của chọn đặc trưng50 XP
- Trực quan hóa dữ liệu nhiều chiều với t-SNE50 XP
- Trực giác về t-SNE50 XP
- Huấn luyện t-SNE trên dữ liệu ANSUR100 XP
- Trực quan hóa t-SNE của dữ liệu nhiều chiều100 XP
2
Chọn Đặc Trưng I - Lựa chọn theo Thông tin Đặc trưng
Trong chương đầu tiên trong hai chương về chọn đặc trưng, bạn sẽ tìm hiểu về “lời nguyền chiều dữ liệu” và cách giảm chiều giúp bạn vượt qua vấn đề này. Bạn sẽ được giới thiệu nhiều kỹ thuật để phát hiện và loại bỏ các đặc trưng mang lại ít giá trị gia tăng cho bộ dữ liệu, hoặc vì chúng có độ biến thiên thấp, quá nhiều giá trị khuyết, hoặc tương quan mạnh với các đặc trưng khác.
3
Chọn Đặc Trưng II - Lựa chọn theo Độ chính xác Mô hình
Trong chương thứ hai về chọn đặc trưng, bạn sẽ học cách để các mô hình giúp bạn tìm ra những đặc trưng quan trọng nhất trong một bộ dữ liệu nhằm dự đoán một biến mục tiêu cụ thể. Ở bài học cuối của chương, bạn sẽ kết hợp gợi ý từ nhiều mô hình khác nhau để quyết định những đặc trưng nào đáng giữ lại.
4
Trích Xuất Đặc Trưng
Chương này đi sâu vào thuật toán giảm chiều được dùng phổ biến nhất, Principal Component Analysis (PCA). Bạn sẽ xây dựng trực giác về cách thức và lý do thuật toán này lại mạnh mẽ, và sẽ áp dụng nó cho cả khám phá dữ liệu lẫn tiền xử lý dữ liệu trong một pipeline mô hình. Bạn sẽ kết thúc với một ví dụ thú vị về nén ảnh.
Giảm Chiều Dữ Liệu với Python
Hoàn
thành khóa học
