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 که در آن ویژگی‌های خوب در مقابل بد و اینکه چگونه می‌توانید آن‌ها را برای استفاده بهینه در مدل‌های خود پیش پردازش و تبدیل کنید، مورد بحث قرار خواهیم داد.

سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • معرفی Introduction

داده های خام به ویژگی ها Raw data to features

  • 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

  • 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 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

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

  • ویژگی ها باید عددی باشند Features should be numeric

  • ویژگی ها باید عددی باشند Features should be numeric

  • امتحان: ویژگی ها باید عددی باشند Quiz: 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

  • 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 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)

  • 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

  • آوردن بینش های انسانی Bringing human insights

  • نمایش ویژگی ها Representing Features

  • نمایش ویژگی ها Representing Features

  • ML در مقابل آمار ML vs Statistics

  • ML در مقابل آمار ML vs Statistics

  • شروع کار با GCP و Qwiklabs Getting Started With GCP And Qwiklabs

  • شروع کار با GCP و Qwiklabs Getting Started With GCP And Qwiklabs

  • آزمایشگاه: [ML on GCP C4] بهبود دقت مدل با ویژگی‌های جدید Lab: [ML on GCP C4] Improving model accuracy with new features

  • آزمایشگاه: [ML on GCP C4] بهبود دقت مدل با ویژگی‌های جدید Lab: [ML on GCP C4] Improving model accuracy with new features

  • بهبود دقت مدل با ویژگی های جدید Improve 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

  • پیش پردازش و ایجاد ویژگی Preprocessing and feature creation

  • Apache Beam/Cloud Dataflow Apache Beam / Cloud Dataflow

  • Apache Beam/Cloud Dataflow Apache Beam / Cloud Dataflow

  • یک خط لوله جریان داده ساده A Simple Dataflow Pipeline

  • یک خط لوله جریان داده ساده A Simple Dataflow Pipeline

  • آزمایشگاه: [ML on GCP C4] یک خط لوله ساده Dataflow (Python) Lab: [ML on GCP C4] A simple Dataflow pipeline (Python)

  • آزمایشگاه: [ML on GCP C4] یک خط لوله ساده Dataflow (Python) Lab: [ML on GCP C4] A simple Dataflow pipeline (Python)

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

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

  • خطوط لوله داده در مقیاس Data Pipelines at Scale

  • خطوط لوله داده در مقیاس Data Pipelines at Scale

  • MapReduce در Dataflow MapReduce in Dataflow

  • MapReduce در Dataflow MapReduce in Dataflow

  • آزمایشگاه: [ML on GCP C4] MapReduce در Dataflow (Python) Lab: [ML on GCP C4] MapReduce in Dataflow (Python)

  • آزمایشگاه: [ML on GCP C4] MapReduce در Dataflow (Python) Lab: [ML on GCP C4] MapReduce in Dataflow (Python)

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

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

  • جمع بندی جریان داده Dataflow Wrapup

  • جمع بندی جریان داده Dataflow Wrapup

  • پیش پردازش با Cloud Dataprep Preprocessing with Cloud Dataprep

  • 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

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

  • آزمایشگاه: [ML on GCP C4] محاسبات ویژگی‌های پنجره زمانی در Cloud Dataprep Lab: [ML on GCP C4] Computing Time-Windowed Features in Cloud Dataprep

  • آزمایشگاه: [ML on GCP C4] محاسبات ویژگی‌های پنجره زمانی در Cloud Dataprep Lab: [ML on GCP C4] 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

  • 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

  • معرفی Introduction

  • متقاطع ویژگی چیست؟ What is a feature cross?

  • متقاطع ویژگی چیست؟ What is a feature cross?

  • گسسته سازی Discretization

  • گسسته سازی Discretization

  • حفظ در مقابل تعمیم Memorization vs. Generalization

  • حفظ در مقابل تعمیم Memorization vs. Generalization

  • رنگ های تاکسی Taxi colors

  • 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

  • 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

  • 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

  • پراکندگی + آزمون Sparsity + Quiz

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

  • 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

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

  • پیاده سازی صلیب های ویژگی Implementing Feature Crosses

  • پیاده سازی صلیب های ویژگی Implementing Feature Crosses

  • تعبیه صلیب های ویژگی Embedding Feature Crosses

  • تعبیه صلیب های ویژگی Embedding Feature Crosses

  • کجا مهندسی ویژگی را انجام دهیم Where to Do Feature Engineering

  • کجا مهندسی ویژگی را انجام دهیم Where to Do Feature Engineering

  • ایجاد ویژگی در TensorFlow Feature Creation in TensorFlow

  • ایجاد ویژگی در TensorFlow Feature Creation in TensorFlow

  • ایجاد ویژگی در DataFlow Feature Creation in DataFlow

  • ایجاد ویژگی در DataFlow Feature Creation in DataFlow

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

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

  • آزمایشگاه: [ML on GCP C4] بهبود مدل ML با Feature Engineering Lab: [ML on GCP C4] Improve ML model with Feature Engineering

  • آزمایشگاه: [ML on GCP C4] بهبود مدل ML با Feature Engineering Lab: [ML on GCP C4] Improve ML model with Feature Engineering

  • توضیح: ML Fairness Debrief: ML Fairness

  • توضیح: ML Fairness Debrief: ML Fairness

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

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

تبدیل TensorFlow TensorFlow Transform

  • معرفی Introduction

  • معرفی Introduction

  • تبدیل TensorFlow TensorFlow Transform

  • تبدیل TensorFlow TensorFlow Transform

  • فاز تحلیل Analyze phase

  • فاز تحلیل Analyze phase

  • فاز تبدیل Transform phase

  • فاز تبدیل Transform phase

  • پشتیبانی از خدمت Supporting serving

  • پشتیبانی از خدمت Supporting serving

  • کاوش tf.transform Exploring tf.transform

  • کاوش tf.transform Exploring tf.transform

  • آزمایشگاه: [ML on GCP C4] Exploring tf.transform Lab: [ML on GCP C4] Exploring tf.transform

  • آزمایشگاه: [ML on GCP C4] Exploring tf.transform Lab: [ML on GCP C4] Exploring tf.transform

  • کاوش tf.transform Exploring tf.transform

  • کاوش tf.transform Exploring tf.transform

خلاصه Summary

  • خلاصه Summary

  • خلاصه Summary

نمایش نظرات

آموزش مهندسی ویژگی
جزییات دوره
4h 6m
118
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
5
از 5
دارد
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.