Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره تکنیک های مختلفی را برای رمزگذاری داده های دسته بندی ، از اشکال آشنای رمزگذاری یکپارچه و برچسب ، قبل از انتقال به طرح های برنامه نویسی کنتراست مانند کدگذاری ساده ، کدگذاری Helmert و کدگذاری چند جمله ای متعامد ، شامل می شود. کیفیت پیش پردازش داده های عددی برای تعیین کننده مهم نتایج مدلهای یادگیری ماشین که با استفاده از آن داده ها ساخته شده اند. در این دوره ، Building Features from Nominal Data ، توانایی رمزگذاری داده های دسته بندی را از طریق روشهایی که قدرت آماری مدلها را افزایش می دهد ، بدست خواهید آورد. ابتدا انواع مختلف داده های مداوم و طبقه ای و تفاوت بین داده های نسبت و مقیاس فاصله ای و داده های اسمی و ترتیبی را خواهید آموخت. در مرحله بعدی ، شما نحوه رمزگذاری داده های دسته بندی را با استفاده از رمزگذاری یکپارچه و برچسب ، و چگونگی جلوگیری از دام متغیر ساختگی در رگرسیون خطی ، کشف خواهید کرد. سرانجام ، شما نحوه پیاده سازی اشکال مختلف کدگذاری کنتراست - مانند کدگذاری چند جمله ای ساده ، هلمرتی و متعامد را کشف خواهید کرد ، به طوری که نتایج رگرسیون فرضیه هایی را که می خواهید آزمایش کنید از نزدیک آینه می کند. پس از پایان این دوره ، مهارت و دانش رمزگذاری داده های دسته ای مورد نیاز برای افزایش قدرت آماری رگرسیون خطی را که شامل چنین داده هایی است ، خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
پیاده سازی رویکردهای کار با داده های دسته ای
Implementing Approaches to Working with Categorical Data
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
داده های مداوم و دسته ای
Continuous and Categorical Data
داده های عددی
Numeric Data
داده های دسته بندی شده
Categorical Data
رمزگذاری برچسب و رمزگذاری یک گرم
Label Encoding and One-hot Encoding
انتخاب بین رمزگذاری برچسب و رمزگذاری یک گرم
Choosing between Label Encoding and One-hot Encoding
انواع وظایف طبقه بندی
Types of Classification Tasks
کدگذاری داغ با دسته های شناخته شده و ناشناخته
One-hot Encoding with Known and Unknown Categories
رمزگذاری داغ روی ستون قاب داده Pandas
One-hot Encoding on a Pandas Data Frame Column
کدگذاری داغ با استفاده از pd.get_dummies ()
One-hot Encoding Using pd.get_dummies()
رمزگذاری برچسب برای تبدیل داده های دسته بندی به حالت عادی
Label Encoding to Convert Categorical Data to Ordinal
Binarizer را برای اجرای رمزگذاری در مقابل بقیه اهداف انتخاب کنید
Label Binarizer to Perform One vs. Rest Encoding of Targets
Binarizer چند برچسب برای رمزگذاری اهداف چند برچسب
Multilabel Binarizer for Encoding Multilabel Targets
خلاصه ماژول
Module Summary
درک و اجرای برنامه نویسی ساختگی
Understanding and Implementing Dummy Coding
بررسی اجمالی ماژول
Module Overview
دام ساختگی
The Dummy Trap
اجتناب از دام ساختگی
Avoiding the Dummy Trap
رمزگذاری ساختگی برای غلبه بر محدودیت های رمزگذاری یک بار داغ
Dummy Coding to Overcome Limitations of One-hot Encoding
تحلیل رگرسیون با کدگذاری ساختگی یا درمان
Regression Analysis with Dummy or Treatment Coding
رمزگذاری ساختگی با استفاده از Patsy
Dummy Coding Using Patsy
تجزیه و تحلیل رگرسیون را با استفاده از یادگیری ماشین در دسته بندی های ساختگی ساختگی انجام دهید
Perform Regression Analysis Using Machine Learning on Dummy Coded Categories
انجام رگرسیون خطی با استفاده از یادگیری ماشینی با دسته های رمزگذاری شده داغ
Performing Linear Regression Using Machine Learning with One-hot Encoded Categories
خلاصه ماژول
Module Summary
درک و اجرای کدگذاری کنتراست
Understanding and Implementing Contrast Coding
بررسی اجمالی ماژول
Module Overview
کدگذاری ساختگی در مقابل کدگذاری کنتراست
Dummy Coding vs. Contrast Coding
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات