آموزش ویژگی های ساختمان از داده های عددی

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

استفاده از داده های عددی در الگوریتم های یادگیری ماشین Using Numeric Data in Machine Learning Algorithms

• بررسی اجمالی ماژول Module Overview

• پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

• مقیاس گذاری و استاندارد سازی Scaling and Standardization

• میانگین ، واریانس و انحراف معیار Mean, Variance, and Standard Deviation

• درک واریانس Understanding Variance

• نسخه ی نمایشی: محاسبه میانگین ، واریانس و انحراف معیار Demo: Calculating Mean, Variance, and Standard Deviation

• نسخه ی نمایشی: تجسم نمودار طرح و استاندارد سازی داده ها Demo: Box Plot Visualization and Data Standardization

• مقیاس پذیر استاندارد Standard Scaler

• نسخه ی نمایشی: با استفاده از تابع مقیاس داده ها را استاندارد کنید Demo: Standardize Data Using the Scale Function

• نسخه ی نمایشی: با استفاده از برآوردگر مقیاس استاندارد ، داده ها را استاندارد کرده و تصحیح ظروف را اعمال کنید Demo: Standardize Data Using the Standard Scalar Estimator and Apply Bessels Correction

• مقیاس قوی Robust Scaler

• نسخه ی نمایشی: مقیاس گذاری داده ها با استفاده از مقیاس کش قوی Demo: Scaling Data Using the Robust Scaler

• خلاصه Summary

ویژگی های ساختمان با استفاده از عادی سازی Building Features Using Normalization

• بررسی اجمالی ماژول Module Overview

• نرمال سازی چیست؟ What Is Normalization?

• عادی سازی و تشابه کسینوس Normalization and Cosine Similarity

• نسخه ی نمایشی: شباهت کسینوس و هنجار L2 Demo: Cosine Similarity and the L2 Norm

• نسخه ی نمایشی: عادی سازی داده ها برای ساده سازی محاسبات شباهت کسینوس Demo: Normalizing Data to Simplify Cosine Similarity Calculations

• نسخه ی نمایشی: K به معنی خوشه بندی با تشابه کسینوس است Demo: K-means Clustering with Cosine Similarity

• هنجارهای L1 ، L2 و Max L1, L2 and Max Norms

• نسخه ی نمایشی: نرمال سازی با استفاده از هنجارهای L1 ، L2 و Max Demo: Normalization Using L1, L2 and Max Norms

• خلاصه Summary

ویژگی های ساختمان با استفاده از مقیاس گذاری و تحولات Building Features Using Scaling and Transformations

• بررسی اجمالی ماژول Module Overview

• تبدیل داده های پیوسته به دسته ای Converting Continuous Data to Categorical

• نسخه ی نمایشی: تبدیل داده های عددی به دسته های باینری با استفاده از Binarizer Demo: Convert Numeric Data to Binary Categories Using a Binarizer

• نسخه ی نمایشی: استفاده از KBinsDiscretizer برای دسته بندی مقادیر عددی Demo: Using the KBinsDiscretizer to Categorize Numeric Values

• نسخه ی نمایشی: استفاده از مقادیر Bin برای پرچم گذاری پرتگاه ها Demo: Using Bin Values to Flag Outliers

• مقیاس گذاری داده ها Scaling Data

• نسخه ی نمایشی: مقیاس بندی با MaxAbsScaler Demo: Scaling with the MaxAbsScaler

• نسخه ی نمایشی: مقیاس بندی با MinMaxScaler Demo: Scaling with the MinMaxScaler

• تحولات سفارشی Custom Transformations

• نسخه ی نمایشی: انجام تغییر شکل های سفارشی با استفاده از FunctionTransformer Demo: Performing Custom Transforms Using the FunctionTransformer

• تولید ویژگی های چند جمله ای Generating Polynomial Features

• نسخه ی نمایشی: استفاده از ویژگی های چند جمله ای برای تبدیل داده ها Demo: Using Polynomial Features to Transform Data

• تبدیل ویژگی ها به توزیع های شبیه Gaussian با استفاده از ترانسفورماتورهای قدرت Transforming Features to Gaussian-like Distributions Using Power Transformers

• نسخه ی نمایشی: کار با ویژگی های ورودی توزیع شده Chi Squared Demo: Working with Chi Squared Distributed Input Features

• نسخه ی نمایشی: استفاده از ترانسفورماتورهای قدرت برای دریافت توزیع های عادی Demo: Applying Power Transformers to Get Normal Distributions

• تبدیل داده ها به توزیع های عادی یا یکنواخت با استفاده از ترانسفورماتورهای Quantile Transforming Data to Normal or Uniform Distributions Using Quantile Transformers

• نسخه ی نمایشی: در حال تبدیل شدن به یک توزیع عادی با استفاده از QuantileTransformer Demo: Tranforming to a Normal Distribution Using the QuantileTransformer

• خلاصه و مطالعه بیشتر Summary and Further Study