Инженерная обработка признаков для машинного обучения

Не работают ли ваши модели машинного обучения? Секрет создания высокоточных и надёжных моделей часто кроется не в сложных алгоритмах, а в качестве данных, которые вы им предоставляете. Этот курс предоставляет всеобъемлющие основы в области инженерии особенностей, основную практику преобразования необработанных данных в информативные особенности. Вы перейдете от простого ввода данных на модель и узнаете, как продуманно создавать, выбирать и управлять особенностями, чтобы значительно увеличить предсказательную мощность ваших проектов машинного обучения. Что вы узнаете: - Узнайте основные методы для работы с отсутствующими значениями, отклонениями и непоследовательными данными. - овладение методами кодирования категориальных переменных, начиная от простого одноразового кодирования и кончая более сложными стратегиями. - Применять методы масштабирования и преобразования к числовым данным для подготовки их к различным алгоритмам. - Создание новых, впечатляющих особенностей из существующих данных, включая дату, время и основную текстовую информацию. - Понять принципы уменьшения размерности для упрощения моделей и повышения производительности. - Практикуем создание многоразовых конвейеров предварительной обработки данных для оптимизации рабочих процессов. Курс начинается с основных понятий того, что делает хорошую особенность перед прогрессом через практические письменные примеры для каждого основного типа данных. Вы будете работать через текстовые упражнения, чтобы закрепить свое понимание на каждом шаге. Этот курс предназначен для начинающих в области науки данных и машинного обучения. Не требуется предыдущий опыт в области инженерии функций, хотя базовое знание Python и основных концепций машинного образования будет полезным. Начните обучение сегодня и раскройте истинный потенциал ваших данных.