Beginner's Guide to Feature Engineering for Machine Learning (bằng tiếng Anh).

Dữ liệu thô hiếm khi sẵn sàng cho các thuật toán học máy, và sự thành công của các mô hình của bạn phụ thuộc rất nhiều vào cách bạn chuẩn bị đầu vào. Hiểu cách làm sạch, chuyển đổi và chọn các tính năng đúng là vũ khí bí mật của các nhà khoa học dữ liệu thành công. Chương trình chỉ có văn bản này hướng dẫn bạn từ người mới bắt đầu đến tự tin chuẩn bị các tập dữ liệu cho học máy. Bạn sẽ học các nguyên tắc cốt lõi của kỹ thuật đặc điểm, bắt đầu với các khái niệm cơ bản và chuyển động từng bước qua các kỹ năng thực tế để làm cho mô hình của bạn chính xác và mạnh mẽ hơn. Bạn sẽ học được gì: Hiểu được thuật ngữ cốt lõi của kỹ thuật đặc điểm và cách nó phù hợp với quy trình học máy; Xử lý dữ liệu thiếu và giá trị ngoài lề bằng cách sử dụng các kỹ năng tính toán và quy mô hiện đại, mạnh mẽ; Mã hóa các biến phân loại một cách hiệu quả, bao gồm các tính năng có tính chất cao; Tạo các tính chất số mới thông qua toán học biến đổi và phân loại; Chọn các tính năng phù hợp nhất bằng cách sử dụng các phương pháp chọn thuật toán hiện đại để ngăn ngừa quá phù hợp; Cấu trúc các bước chuyển đổi dữ liệu thành các đường ống sạch, tái tạo được. Bạn sẽ bắt đầu với những điều cơ bản nhất về cấu trúc dữ liệu và chất lượng, sau đó tiến tới các biến đổi tiên tiến và lựa chọn tính năng. Mỗi khái niệm được củng cố bằng cách viết walkthroughs, code snippets, và các bài tập khái quát. Lớp học này được thiết kế cho người mới bắt đầu, các nhà khoa học dữ liệu tham vọng, và các nhà phân tích muốn xây dựng các mô hình học máy tốt hơn. Không cần kinh nghiệm trước với học máy tiên tiến, mặc dù một hiểu biết cơ bản về Python là hữu ích. Bắt đầu hành trình của bạn hướng tới việc nắm vững việc chuẩn bị dữ liệu và xây dựng mô hình học máy thông minh hơn ngay hôm nay.