Kurzusleírás
Bevezetés
- Hatékony algoritmusok felépítése mintafelismerésben, osztályozásban és regresszióban.
A Fejlesztési Környezet kialakítása
- Python könyvtárak
- Online vs offline szerkesztők
A Feature Engineering áttekintése
- Bemeneti és kimeneti változók (jellemzők)
- A funkciótervezés előnyei és hátrányai
A nyers adatokkal kapcsolatos problémák típusai
- Tisztátlan adatok, hiányzó adatok stb.
Előfeldolgozási változók
- A hiányzó adatok kezelése
Az adatokból hiányzó értékek kezelése
Kategorikus változókkal való munka
Címkék konvertálása számokká
Címkék kezelése kategorikus változókban
Változók átalakítása a prediktív képesség javítása érdekében
- Numerikus, kategorikus, dátum stb.
Adatkészlet tisztítása
Machine Learning Modellezés
Kiugró értékek kezelése az adatokban
- Numerikus változók, kategorikus változók stb.
Összefoglalás, és következtetés
Követelmények
- Python programozási tapasztalat.
- Tapasztalat a Numpy-val, a Pandákkal és a scikit-learn-nel.
- A gépi tanulási algoritmusok ismerete.
Közönség
- Fejlesztők
- Adattudósok
- Adatelemzők
Vélemények (2)
Szkolenie rewelacyjne, jedno z najlepszych, na jakich bylem! Prowadzacy Rafal doskonale odpowiadal w zakresie poruuszanych zagadnien, bardzo dokladnie tlumaczyl wszystkie metody. Jestem bardzo zadowolony i chetnie ponownie skorzystam ze szkolenia prowadzonego przez tego szkoleniowca.
Darek Paszkowski - Orange Szkolenia Sp. z o.o.
Kurzus - Feature Engineering for Machine Learning
Rysunki na flipcharcie, całe szkolenie.