آموزش مهندسی ویژگی

Feature Engineering

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آیا می خواهید بدانید چگونه می توانید دقت مدل های ML خود را بهبود بخشید؟ در مورد اینکه چگونه می توان یافت کدام ستون داده ها مفیدترین ویژگی ها را دارند چطور؟ به Feature Engineering خوش آمدید، جایی که ویژگی‌های خوب در مقابل بد و اینکه چگونه می‌توانید آنها را برای استفاده بهینه در مدل‌های خود از قبل پردازش کرده و تبدیل کنید، خوش آمدید.

سرفصل ها و درس ها

معرفی Introduction

  • PDF مهندسی ویژگی Feature Engineering PDF

  • معرفی Introduction

داده های خام به ویژگی ها Raw data to features

  • داده های خام به ویژگی ها Raw Data to Features

  • ویژگی های خوب در مقابل بد Good vs Bad Features

  • امتحان: ویژگی ها با هدف مرتبط هستند Quiz: Features are Related to the Objective

  • امتحان: ویژگی ها در زمان پیش بینی قابل تشخیص هستند Quiz: Features are knowable at prediction time

  • ویژگی ها در زمان پیش بینی قابل تشخیص هستند Features are knowable at prediction time'

  • ویژگی ها باید عددی باشند Features should be numeric

  • امتحان: ویژگی ها باید عددی باشند Quiz: Features should be numeric

  • ویژگی ها باید نمونه های کافی داشته باشند Features should have enough examples

  • امتحان: ویژگی ها باید نمونه های کافی داشته باشند (قسمت 1) Quiz: Features should have enough examples (part 1)

  • امتحان: ویژگی ها باید به اندازه کافی مثال داشته باشند (قسمت 2) Quiz: Features should have enough examples (part 2)

  • آوردن بینش های انسانی Bringing human insights

  • نمایش ویژگی ها Representing Features

  • ML در مقابل آمار ML vs Statistics

  • آزمایشگاه: بهبود دقت مدل با ویژگی های جدید Lab: Improving model accuracy with new features

  • بهبود دقت مدل با ویژگی های جدید Improve model accuracy with new features

پیش پردازش و ایجاد ویژگی Preprocessing and feature creation

  • پیش پردازش و ایجاد ویژگی Preprocessing and feature creation

  • Apache Beam/Cloud Dataflow Apache Beam / Cloud Dataflow

  • یک خط لوله جریان داده ساده A Simple Dataflow Pipeline

  • آزمایشگاه: یک خط لوله ساده Dataflow (Python) Lab: A simple Dataflow pipeline (Python)

  • راه حل آزمایشگاهی: یک خط لوله ساده جریان داده Lab Solution: A Simple Dataflow Pipeline

  • خطوط لوله داده در مقیاس Data Pipelines at Scale

  • MapReduce در Dataflow MapReduce in Dataflow

  • آزمایشگاه: MapReduce در جریان داده (پایتون) Lab: MapReduce in Dataflow (Python)

  • راه حل آزمایشگاهی: MapReduce در جریان داده Lab Solution: MapReduce in Dataflow

  • جمع بندی جریان داده Dataflow Wrapup

  • پیش پردازش با Cloud Dataprep Preprocessing with Cloud Dataprep

  • Lab Intro: Computing Time-Windowed Features در Cloud Dataprep Lab Intro: Computing Time-Windowed Features in Cloud Dataprep

  • آزمایشگاه: محاسبه ویژگی های پنجره زمانی در Cloud Dataprep Lab: Computing Time-Windowed Features in Cloud Dataprep

  • راه حل آزمایشگاهی: محاسبه ویژگی های پنجره زمانی در Cloud Dataprep Lab Solution: Computing Time-Windowed Features in Cloud Dataprep

صلیب های ویژه Feature crosses

  • معرفی Introduction

  • متقاطع ویژگی چیست؟ What is a feature cross?

  • گسسته سازی Discretization

  • حفظ در مقابل تعمیم Memorization vs. Generalization

  • رنگ های تاکسی Taxi colors

  • Lab Intro: ویژگی های Crosses برای ایجاد یک طبقه بندی خوب Lab Intro: Feature Crosses to create a good classifier

  • راه حل آزمایشگاهی: ویژگی های متقاطع برای ایجاد یک طبقه بندی خوب Lab Solution: Feature Crosses to create a good classifier

  • پراکندگی + آزمون Sparsity + Quiz

  • معرفی آزمایشگاه: چیز بسیار خوبی است Lab Intro: Too Much of a Good Thing

  • راه حل آزمایشگاهی: خیلی چیز خوبی است Lab Solution: Too Much of a Good Thing

  • پیاده سازی صلیب های ویژگی Implementing Feature Crosses

  • تعبیه صلیب های ویژگی Embedding Feature Crosses

  • کجا مهندسی ویژگی انجام دهیم Where to Do Feature Engineering

  • ایجاد ویژگی در TensorFlow Feature Creation in TensorFlow

  • ایجاد ویژگی در DataFlow Feature Creation in DataFlow

  • معرفی آزمایشگاه: بهبود مدل ML با مهندسی ویژگی Lab Intro: Improve ML Model with Feature Engineering

  • آزمایشگاه: بهبود مدل یادگیری ماشین با مهندسی ویژگی Lab: Improve Machine Learning model with Feature Engineering

  • توضیح: ML Fairness Debrief: ML Fairness

  • راه حل: بهبود مدل ML با مهندسی ویژگی Solution: Improve ML Model with Feature Engineering

تبدیل TensorFlow TensorFlow Transform

  • معرفی Introduction

  • تبدیل TensorFlow TensorFlow Transform

  • فاز تجزیه و تحلیل Analyze phase

  • فاز تبدیل Transform phase

  • پشتیبانی از خدمت Supporting serving

  • کاوش tf.transform Exploring tf.transform

  • آزمایشگاه: کاوش tf.transform Lab: Exploring tf.transform

  • کاوش tf.transform Exploring tf.transform

خلاصه Summary

  • خلاصه Summary

نمایش نظرات

آموزش مهندسی ویژگی
جزییات دوره
4h 3m
59
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
1
از 5
ندارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.