- Python doświadczenie w programowaniu.
- Doświadczenie z Numpy, Pandas i scikit-learn.
- Znajomość algorytmów uczenia maszynowego.
Publiczność
- Deweloperzy
- Naukowcy danych
- Analitycy danych
Feature Engineering to proces selekcji i przekształcania danych w celu poprawy dokładności algorytmów uczenia maszynowego. Wymaga on głębokiej znajomości danych ze strony eksperta w danej dziedzinie.
To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) skierowane jest do osób, które chcą zastosować techniki inżynierii funkcji w celu lepszego przetwarzania danych i uzyskania lepszych modeli uczenia maszynowego.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Skonfiguruj optymalne środowisko programistyczne, w tym wszystkie potrzebne pakiety Python.
- Uzyskanie ważnych informacji poprzez analizę cech zestawu danych.
- Optymalizacja modeli uczenia maszynowego poprzez adaptację samych surowych danych.
- Oczyszczanie i przekształcanie zestawów danych w ramach przygotowań do uczenia maszynowego.
Format kursu
- Interaktywny wykład i dyskusja.
- Dużo ćwiczeń i praktyki.
- Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
- Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
Wprowadzenie
- Budowanie skutecznych algorytmów rozpoznawania wzorców, klasyfikacji i regresji.
Konfiguracja środowiska programistycznego
- Biblioteki Python
- Edytory online i offline
Przegląd inżynierii funkcji
- Zmienne wejściowe i wyjściowe (cechy)
- Plusy i minusy inżynierii cech
Rodzaje problemów napotykanych w surowych danych
- Nieczyste dane, brakujące dane itp.
Zmienne przetwarzania wstępnego
- Radzenie sobie z brakującymi danymi
Obsługa brakujących wartości w danych
Praca ze zmiennymi kategorycznymi
Konwersja etykiet na liczby
Obsługa etykiet w zmiennych kategorycznych
Przekształcanie zmiennych w celu poprawy mocy predykcyjnej
- Numeryczne, kategoryczne, daty itp.
Czyszczenie zestawu danych
Machine Learning Modelowanie
Obsługa wartości odstających w danych
- Zmienne numeryczne, zmienne kategoryczne itp.
Podsumowanie i wnioski
United Arab Emirates - Feature Engineering for Machine Learning
Qatar - Feature Engineering for Machine Learning
Egypt - Feature Engineering for Machine Learning
Saudi Arabia - Feature Engineering for Machine Learning
South Africa - Feature Engineering for Machine Learning
Brasil - Feature Engineering for Machine Learning
Canada - Feature Engineering for Machine Learning
中国 - Feature Engineering for Machine Learning
香港 - Feature Engineering for Machine Learning
澳門 - Feature Engineering for Machine Learning
台灣 - Feature Engineering for Machine Learning
USA - Feature Engineering for Machine Learning
Österreich - Feature Engineering for Machine Learning
Schweiz - Feature Engineering for Machine Learning
Deutschland - Feature Engineering for Machine Learning
Czech Republic - Feature Engineering for Machine Learning
Denmark - Feature Engineering for Machine Learning
Estonia - Feature Engineering for Machine Learning
Finland - Feature Engineering for Machine Learning
Greece - Feature Engineering for Machine Learning
Magyarország - Feature Engineering for Machine Learning
Ireland - Feature Engineering for Machine Learning
Luxembourg - Feature Engineering for Machine Learning
Latvia - Feature Engineering for Machine Learning
España - Feature Engineering for Machine Learning
Italia - Feature Engineering for Machine Learning
Lithuania - Feature Engineering for Machine Learning
Nederland - Feature Engineering for Machine Learning
Norway - Feature Engineering for Machine Learning
Portugal - Feature Engineering for Machine Learning
România - Feature Engineering for Machine Learning
Sverige - Feature Engineering for Machine Learning
Türkiye - Feature Engineering for Machine Learning
Malta - Feature Engineering for Machine Learning
Belgique - Feature Engineering for Machine Learning
France - Feature Engineering for Machine Learning
日本 - Feature Engineering for Machine Learning
Australia - Feature Engineering for Machine Learning
Malaysia - Feature Engineering for Machine Learning
New Zealand - Feature Engineering for Machine Learning
Philippines - Feature Engineering for Machine Learning
Singapore - Feature Engineering for Machine Learning
Thailand - Feature Engineering for Machine Learning
Vietnam - Feature Engineering for Machine Learning
India - Feature Engineering for Machine Learning
Argentina - Feature Engineering for Machine Learning
Chile - Feature Engineering for Machine Learning
Costa Rica - Feature Engineering for Machine Learning
Ecuador - Feature Engineering for Machine Learning
Guatemala - Feature Engineering for Machine Learning
Colombia - Feature Engineering for Machine Learning
México - Feature Engineering for Machine Learning
Panama - Feature Engineering for Machine Learning
Peru - Feature Engineering for Machine Learning
Uruguay - Feature Engineering for Machine Learning
Venezuela - Feature Engineering for Machine Learning
Polska - Feature Engineering for Machine Learning
United Kingdom - Feature Engineering for Machine Learning
South Korea - Feature Engineering for Machine Learning
Pakistan - Feature Engineering for Machine Learning
Sri Lanka - Feature Engineering for Machine Learning
Bulgaria - Feature Engineering for Machine Learning
Bolivia - Feature Engineering for Machine Learning
Indonesia - Feature Engineering for Machine Learning
Kazakhstan - Feature Engineering for Machine Learning
Moldova - Feature Engineering for Machine Learning
Morocco - Feature Engineering for Machine Learning
Tunisia - Feature Engineering for Machine Learning
Kuwait - Feature Engineering for Machine Learning
Oman - Feature Engineering for Machine Learning
Slovakia - Feature Engineering for Machine Learning
Kenya - Feature Engineering for Machine Learning
Nigeria - Feature Engineering for Machine Learning
Botswana - Feature Engineering for Machine Learning
Slovenia - Feature Engineering for Machine Learning
Croatia - Feature Engineering for Machine Learning
Serbia - Feature Engineering for Machine Learning
Bhutan - Feature Engineering for Machine Learning