Предварительная обработка данных для машинного обучения в Python
Data pre-processing for Machine Learning in Python
udemy
В этом курсе мы сосредоточимся на методах предварительной обработки для машинного обучения.
Предварительная обработка — это набор манипуляций, которые преобразуют необработанный набор данных, чтобы его можно было использовать в модели машинного обучения. Это необходимо для того, чтобы наши данные подходили для некоторых моделей машинного обучения, чтобы уменьшить размерность, лучше идентифицировать релевантные данные и повысить производительность модели . Это самая важная часть конвейера машинного обучения, и она может сильно повлиять на успех проекта. На самом деле, если мы не снабдим модель машинного обучения данными правильной формы , она вообще не будет работать.
Иногда начинающие специалисты по данным начинают изучать нейронные сети и другие сложные модели и забывают изучить , как манипулировать набором данных , чтобы использовать его в своих алгоритмах. Таким образом, им не удается создать хорошие модели, и только в конце они понимают, что хорошая предварительная обработка позволит им сэкономить много времени и повысить производительность своих алгоритмов. Таким образом, владение методами предварительной обработки является очень важным навыком . Вот почему я создал целый курс , посвященный только предварительной обработке данных.
Благодаря этому курсу вы узнаете:
Для кого этот курс:
Материал на английском языке
Продажник:
Скачать курс:
Data pre-processing for Machine Learning in Python
udemy
В этом курсе мы сосредоточимся на методах предварительной обработки для машинного обучения.
Предварительная обработка — это набор манипуляций, которые преобразуют необработанный набор данных, чтобы его можно было использовать в модели машинного обучения. Это необходимо для того, чтобы наши данные подходили для некоторых моделей машинного обучения, чтобы уменьшить размерность, лучше идентифицировать релевантные данные и повысить производительность модели . Это самая важная часть конвейера машинного обучения, и она может сильно повлиять на успех проекта. На самом деле, если мы не снабдим модель машинного обучения данными правильной формы , она вообще не будет работать.
Иногда начинающие специалисты по данным начинают изучать нейронные сети и другие сложные модели и забывают изучить , как манипулировать набором данных , чтобы использовать его в своих алгоритмах. Таким образом, им не удается создать хорошие модели, и только в конце они понимают, что хорошая предварительная обработка позволит им сэкономить много времени и повысить производительность своих алгоритмов. Таким образом, владение методами предварительной обработки является очень важным навыком . Вот почему я создал целый курс , посвященный только предварительной обработке данных.
Благодаря этому курсу вы узнаете:
- Очистка данных
- Кодирование категориальных переменных
- Преобразование числовых признаков
- Scikit-learn объекты Pipeline и ColumnTransformer
- Масштабирование числовых характеристик
- Анализ главных компонентов
- Выбор функций на основе фильтров
- Передискретизация с использованием SMOTE
Для кого этот курс:
- Разработчики Python
- Начинающие специалисты по данным
- Люди, интересующиеся машинным обучением и искусственным интеллектом
- Базовые знания языка программирования Python
Материал на английском языке
Продажник:
Для просмотра содержимого вам необходимо зарегистрироваться!
Скачать курс: