Руководство для начинающих по разработке функций для машинного обучения

Исходные данные редко готовы для алгоритмов машинного обучения, и успех ваших моделей в значительной степени зависит от того, как вы готовите входные данных. Понимание того, как очистить, преобразовать и выбрать правильные функции, является секретным оружием успешных ученых данных. Этот курс поможет вам освоить основы машинного обучения и начать работать с наборами данных. Вы изучите основные принципы инженерии признаков, начиная с фундаментальных концепций и продвигаясь шаг за шагом через практические методы, чтобы сделать ваши модели более точными и надежными. Что вы узнаете: Понимание основной терминологии инженерии признаков и ее места в рабочем процессе машинного обучения; Обработка отсутствующих данных и отклонений с использованием современных, надежных методов условного расчета и масштабирования; Эффективное кодирование категориальных переменных, включая признаки высокой кардинализации; Создание новых числовых признаков с помощью математических моделей. Преобразования и объединения; Выберите наиболее подходящие особенности, используя современные методы алгоритмического отбора, чтобы предотвратить перенастройку; Структурировать шаги преобразования данных в чистые, воспроизводимые конвейеры. Вы начнете с основных структур данных и качества, а затем перейдете к продвинутым преобразованиям и выбору признаков. Каждая концепция подкрепляется письменными обзорами, фрагментами кода и концептуальными упражнениями. Этот курс предназначен для начинающих, начинающих ученых данных и аналитиков, которые хотят создавать лучшие модели машинного обучения. Не требуется предыдущий опыт работы с продвинутым машинным обучением, хотя полезно иметь базовое понимание Python. Начните свой путь к овладению подготовкой данных и созданию более умных моделей машинного обучения сегодня.