به Feature Engineering برای یادگیری ماشین خوش آمدید، جامع ترین دوره آموزشی در زمینه مهندسی ویژگی که به صورت آنلاین در دسترس است. در این دوره آموزشی، در مورد انتساب متغیر، رمزگذاری متغیر، تبدیل ویژگی، گسسته سازی، و نحوه ایجاد ویژگی های جدید از داده های خود خواهید آموخت.
مهندسی ویژگی اصلی و استخراج ویژگی.
در این دوره، چندین روش مهندسی ویژگی را یاد می گیرید که به شما امکان می دهد داده های خود را تغییر دهید و آنها را برای آموزش مدل های یادگیری ماشین آماده کنید. به طور خاص، شما یاد خواهید گرفت:
نحوه نسبت دادن داده های از دست رفته
نحوه کدگذاری متغیرهای طبقه بندی شده
نحوه تبدیل متغیرهای عددی و تغییر توزیع آنها
نحوه انجام گسسته سازی
نحوه حذف نقاط پرت
نحوه استخراج ویژگی ها از تاریخ و زمان
نحوه ایجاد ویژگی های جدید از ویژگی های موجود
ویژگی های مفیدی را با ریاضیات، آمار و دانش دامنه ایجاد کنید
مهندسی ویژگی فرآیند تبدیل ویژگیهای موجود یا ایجاد متغیرهای جدید برای استفاده در یادگیری ماشین است. داده های خام برای آموزش الگوریتم های یادگیری ماشین مناسب نیستند. در عوض، دانشمندان داده زمان زیادی را به پیش پردازش داده ها اختصاص می دهند. این دوره همه چیزهایی را که باید بدانید تا داده های خود را برای آموزش مدل های خود آماده کنید، به شما می آموزد.
در حالی که اکثر دورههای آنلاین اصول مهندسی ویژگیها را به شما آموزش میدهند، مانند وارد کردن متغیرها با میانگین یا تبدیل متغیرهای طبقهبندی با استفاده از یک رمزگذاری داغ، این دوره به شما این و خیلی چیزهای دیگر را آموزش میدهد.
در این دوره ابتدا با محبوب ترین و پرکاربردترین تکنیک ها برای مهندسی متغیرها، مانند میانگین و میانه انتساب، رمزگذاری تک داغ، تبدیل با لگاریتم و گسسته سازی آشنا می شوید. سپس، روشهای پیشرفتهتری را کشف خواهید کرد که اطلاعات را در حین رمزگذاری یا تغییر شکل متغیرهای شما برای بهبود عملکرد مدلهای یادگیری ماشین، ضبط میکنند.
شما روش هایی مانند وزن شواهد مورد استفاده در امور مالی و نحوه ایجاد روابط یکنواخت بین متغیرها و اهداف برای افزایش عملکرد مدل های خطی را خواهید آموخت. همچنین یاد خواهید گرفت که چگونه ویژگیها را از متغیرهای تاریخ و زمان ایجاد کنید و چگونه متغیرهای طبقهبندی را با دستههای زیاد مدیریت کنید.
روش هایی که یاد خواهید گرفت در مقالات علمی توضیح داده شده اند، در مسابقات علم داده استفاده می شوند و معمولاً در سازمان ها مورد استفاده قرار می گیرند. و علاوه بر این، آنها را می توان به راحتی با استفاده از کتابخانه های منبع باز پایتون پیاده سازی کرد!
در طول سخنرانیها، توضیحات مفصلی در مورد هر تکنیک و بحثی در مورد مزایا، محدودیتها و مفروضات اساسی آنها و به دنبال آن بهترین شیوههای برنامهنویسی برای پیادهسازی آنها در پایتون خواهید یافت.
در پایان دوره، میتوانید تصمیم بگیرید که بر اساس ویژگیهای متغیر و مدلهایی که میخواهید آموزش دهید، به کدام تکنیک مهندسی ویژگی نیاز دارید. و همچنین در موقعیت مناسبی قرار خواهید داشت تا روشهای مختلف تغییر شکل را آزمایش کنید و به مدلهایتان اجازه دهید تصمیم بگیرند که کدام یک بهترین کار را انجام میدهند.
شغل خود را در علم داده افزایش دهید
شما اولین قدمهای خود را در علم داده برداشتهاید. شما از متداول ترین مدل های پیش بینی استفاده می کنید. شما حتی چند مدل رگرسیون خطی یا طبقه بندی را آموزش داده اید. در این مرحله، احتمالاً شروع به یافتن چالشهایی کردهاید: دادههای شما کثیف هستند، مقادیر زیادی از دست رفتهاند، برخی از متغیرها عددی نیستند، و برخی دیگر بهشدت منحرف هستند. همچنین ممکن است تعجب کنید که آیا کد شما کارآمد و کارآمد است یا راه بهتری برای برنامهنویسی وجود دارد. شما به صورت آنلاین جستجو می کنید، اما نمی توانید منابع تلفیقی را در زمینه مهندسی ویژگی پیدا کنید. شاید فقط وبلاگ ها؟ بنابراین ممکن است شروع به تعجب کنید: واقعاً کارها در شرکت های فناوری چگونه انجام می شود؟
در این دوره آموزشی، پاسخ این سوالات را خواهید یافت. در طول دوره، تکنیک های متعددی را برای جنبه های مختلف تبدیل متغیرها و نحوه پیاده سازی آنها به شیوه ای زیبا، کارآمد و حرفه ای با استفاده از پایتون یاد خواهید گرفت. شما از قدرت اکوسیستم منبع باز پایتون، از جمله کتابخانههای NumPy، Pandas، Scikit-learn و بستههای ویژه برای مهندسی ویژگیها استفاده خواهید کرد: رمزگذارهای موتور ویژگی و دستهبندی.
در پایان دوره، میتوانید تمام مراحل مهندسی ویژگیهای خود را در یک خط لوله زیبا پیادهسازی کنید که به شما امکان میدهد مدلهای پیشبینیکننده خود را با حداکثر کارایی وارد تولید کنید.
از قدرت منبع باز استفاده کنید
ما همه روشهای مهندسی ویژگی را با استفاده از Pandas و Numpy انجام میدهیم، و پیادهسازی را با رمزگذارهای Scikit-learn، Feature-engine و Category مقایسه میکنیم و مزایا و محدودیتهای هر کتابخانه را برجسته میکنیم. با پیشرفت در دوره، می توانید کتابخانه ای را که بیشتر دوست دارید برای انجام پروژه های خود انتخاب کنید.
یک نوت بوک اختصاصی پایتون با کد برای پیاده سازی هر روش مهندسی ویژگی وجود دارد که می توانید از آن در پروژه های خود برای سرعت بخشیدن به توسعه مدل های یادگیری ماشین خود استفاده مجدد کنید.
جامع ترین دوره آنلاین برای مهندسی ویژگی
هیچ مکان واحدی برای یادگیری در مورد مهندسی ویژگی وجود ندارد. این شامل ساعتها جستجو در وب میشود تا بفهمید مردم برای استفاده حداکثری از دادههای خود چه میکنند.
به همین دلیل است که این دوره تعداد زیادی از تکنیکهای مورد استفاده در سراسر جهان را برای تبدیل ویژگیها جمعآوری میکند، که از رقابتهای داده در Kaggle و KDD، مقالات علمی، و از تجربه مربی بهعنوان یک دانشمند داده آموخته شدهاند. بنابراین، این دوره منبع مرجعی است که در آن میتوانید روشهای جدید را بیاموزید و همچنین تکنیکها و کدهای مورد نیاز برای تغییر متغیرها را هر زمان که نیاز داشتید، دوباره مرور کنید.
این دوره توسط یک دانشمند داده پیشرو با تجربه در استفاده از یادگیری ماشین در امور مالی و بیمه تدریس می شود که همچنین نویسنده کتاب و توسعه دهنده اصلی کتابخانه منبع باز پایتون برای مهندسی ویژگی است. و موارد دیگر وجود دارد:
این دوره به طور مداوم به روز می شود تا شامل روش های جدید مهندسی ویژگی باشد.
نوتبوکها مرتباً بهروزرسانی میشوند تا اطمینان حاصل شود که همه روشها با آخرین نسخههای کتابخانههای Python انجام میشوند، بنابراین کد شما هرگز خراب نمیشود.
این دوره ویدئوها، ارائهها و نوتبوکهای Jupyter را برای توضیح روشها و نمایش اجرای آنها در پایتون ترکیب میکند.
برنامه درسی در یک دوره چهار ساله با تحقیقات مستمر در زمینه مهندسی ویژگی ایجاد شد تا آخرین فناوریها، ابزارها و گرایشها را به شما ارائه دهد.
آیا می خواهید بیشتر بدانید؟ ادامه مطلب...
این دوره جامع مهندسی ویژگی شامل بیش از 100 سخنرانی است که در حدود 10 ساعت ویدیو پخش شده است، و همه موضوعات شامل نمونه های عملی کد پایتون است که می توانید برای مرجع، تمرین و استفاده مجدد در پروژه های خود استفاده کنید.
به یاد داشته باشید، این دوره با 30 روز ضمانت بازگشت وجه ارائه می شود، بنابراین می توانید امروز بدون هیچ خطری ثبت نام کنید.
پس منتظر چه چیزی هستید؟ همین امروز ثبت نام کنید و به جامع ترین دوره مهندسی ویژگی برای یادگیری ماشین در جهان بپیوندید.
دانشمند داده | مربی | توسعه دهنده نرم افزار
نمایش نظرات