Struttura del corso
Introduzione
- Costruzione di algoritmi efficaci per il riconoscimento, la classificazione e la regressione dei modelli.
Impostazione dell'ambiente di sviluppo
- Python Biblioteche
- Editor online e offline
Cenni preliminari sulla progettazione delle funzionalità
- Variabili di input e output (feature)
- Pro e contro della progettazione delle funzionalità
Tipi di problemi riscontrati nei dati grezzi
- Dati non puliti, dati mancanti, ecc.
Variabili di pre-elaborazione
- Gestione dei dati mancanti
Gestione dei valori mancanti nei dati
Utilizzo delle variabili categoriche
Convertire le etichette in numeri
Gestione delle etichette nelle variabili categoriche
Trasformare le variabili per migliorare il potere predittivo
- Numerico, categorico, data, ecc.
Pulizia di un set di dati
Machine Learning Modellazione
Gestione dei valori anomali nei dati
- Variabili numeriche, variabili categoriche, ecc.
Riassunto e conclusione
Requisiti
- Python Esperienza di programmazione.
- Esperienza con Numpy, Pandas e scikit-learn.
- Familiarità con gli algoritmi di Machine Learning.
Pubblico
- Gli sviluppatori
- Scienziati dei dati
- Analisti di dati
Recensioni (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.
Corso - Feature Engineering for Machine Learning
Rysunki na flipcharcie, całe szkolenie.