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
 14 ore

Numero di Partecipanti



Prezzo per Partecipante

Recensioni (2)

Corsi relativi

Categorie relative