یادگیری ماشین کاربردی: مهندسی ویژگی (2020)

مدرس Derek Jedamski

انتشار 2020/08/10

مدت زمان 2h 26m

سطح مناسب همه

فایل تمرینی دارد

آموزش Applied Machine Learning: Feature Engineering (2020)

کیفیت پیش‌بینی‌هایی که از مدل یادگیری ماشین شما به دست می‌آید بازتاب مستقیم داده‌هایی است که در طول آموزش به آن‌ها می‌دهید. مهندسی ویژگی به شما کمک می کند تا آخرین بیت ارزش را از داده ها استخراج کنید. این دوره ابزارهایی را برای گرفتن مجموعه داده، حذف سیگنال و حذف نویز به منظور بهینه سازی مدل های خود ارائه می دهد. این مفاهیم تقریباً به هر نوع الگوریتم یادگیری ماشینی تعمیم می یابد. مدرس درک جدامسکی در مورد اصول یادگیری ماشین و مقدمه ای کامل برای مهندسی ویژگی ها تجدید نظر می کند. او ویژگی های پیوسته و طبقه بندی شده را بررسی می کند و نحوه تمیز کردن، عادی سازی و تغییر آنها را نشان می دهد. بیاموزید که چگونه مقادیر از دست رفته را آدرس‌دهی کنید، نقاط پرت را حذف کنید، داده‌ها را تبدیل کنید، شاخص‌ها ایجاد کنید و ویژگی‌ها را تبدیل کنید. در فصل‌های پایانی، درک نحوه آماده‌سازی ویژگی‌ها برای مدل‌سازی را توضیح می‌دهد و چهار تغییر را برای مقایسه ارائه می‌دهد، بنابراین می‌توانید تأثیر تمیز کردن، تبدیل و ایجاد ویژگی‌ها را از طریق لنز عملکرد مدل ارزیابی کنید.

Applied Machine Learning Machine Learning Python (Programming Language)

Introduction

The secret of effective machine learning ()

What you should know ()

What tools you need ()

Using the exercise files ()

1. Review Machine Learning Basics

What is machine learning? ()

What does machine learning look like in real life? ()

What does an end-to-end machine learning pipeline look like? ()

2. Introduction to Feature Engineering

What is feature engineering? ()

Why does feature engineering matter? ()

What are the tools in the feature engineering toolbox? ()

3. Explore the Data

What data are you using? ()

Explore continuous features ()

Plot continuous features ()

Explore categorical features ()

Plot categorical features ()

Summary of features ()

4. Creating and Cleaning Features

Treat missing values in the data ()

Cap and floor data to remove outliers ()

Transform skewed features ()

Creating new features from text ()

Create indicators ()

Combining existing features into a new feature ()

Convert categorical features to numeric ()

5. Prepare Features for Modeling

Create training and test sets ()

Standardize all features ()

Write out three final datasets ()

6. Compare All Features

Review model evaluation basics ()

Build a model with raw original features ()

Build a model with cleaned original features ()

Build a model with all features ()

Build a model with reduced set of features ()

Compare and evaluate all model variations ()

Conclusion

How to continue advancing your skills ()

Ex_Files_Applied_ML.zip (2.6 MB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.