Исследовательский анализ данных и подготовка данных для машинного обучения

Прежде чем создавать любую модель машинного обучения, необходимо понять, очистить и подготовить данные. Этот текстовый курс поможет вам пройти основные этапы преобразования необработанных, неорганизованных наборов данных в высококачественные входные данные для моделирования предсказаний. Вы пройдете путь от понимания основных концепций данных до выполнения сложных задач по подготовке данных. Вы узнаете, как извлекать данные из различных источников, обрабатывать отсутствующие значения, разрабатывать мощные функции и выполнять предварительный статистический анализ для выявления скрытых закономерностей. Что вы узнаете: - Понимание основных концепций качества данных, типов данных и конвейера машинного обучения. - Получать наборы данных из различных источников, включая базы данных SQL и современные системы NoSQL. - Очистить беспорядочные данные путем обработки отсутствующих значений, отклонений и несоответствий форматирования. - Применять такие методы инженерии признаков, как масштабирование, кодирование категориальных переменных и математические преобразования. - Практику современной проверки данных с использованием проверок схемы для обеспечения надежности потока данных. - Проведение предварительного анализа данных с использованием статистических резюме и корреляционных матриц для выработки гипотез. Курс начинается с основных определений и принципов качества данных, а затем переходит к практическому манипулированию данными и разработке функций. Вы будете читать четкие объяснения, анализировать практические фрагменты кода Python и выполнять письменные упражнения, предназначенные для укрепления вашего обучения. Этот курс предназначен для начинающих, желающих заняться наукой данных и машинным обучением, без каких-либо предварительных условий. Начните осваивать важнейшие навыки подготовки данных, которые делают модели машинного обучения успешными.