کورس آماده سازی داده ها برای Machine Learning

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با Machine Learning یاد می گیرید.

عنوان اصلی : Preparing Data for Machine Learning

سرفصل ها :

بررسی اجمالی دوره
نمای کلی ماژول
پیش نیازها و رئوس مطالب دوره
نیاز به آماده سازی داده ها
داده های ناکافی
داده های بیش از حد
داده‌های غیرنماینده، مقادیر گمشده، موارد پرت، موارد تکراری
مقابله با داده های از دست رفته
برخورد با موارد پرت
Oversampling و Undersampling تا تعادل مجموعه داده ها
Overfitting و Underfitting
خلاصه ماژول
نمای کلی ماژول
مدیریت ارزش های گمشده
پاک کردن داده ها
تجسم روابط
ساخت مدل رگرسیون
انطباق ویژگی تک متغیره با استفاده از Imputer ساده
Imputation ویژگی چند متغیره با استفاده از Iterative Imputer
نشانگر مقدار گمشده
Imputation ویژگی به عنوان بخشی از خط لوله یادگیری ماشین
خلاصه ماژول
نمای کلی ماژول
داده های عددی
ویژگی های مقیاس بندی و استانداردسازی
عادی سازی و باینریزه کردن ویژگی ها
داده های دسته بندی
رمزگذاری عددی داده های طبقه بندی شده
رمزگذاری برچسب و رمزگذاری تک داغ
گسسته سازی مقادیر پیوسته با استفاده از Pandas Cut
گسسته سازی مقادیر پیوسته با استفاده از گسسته ساز KBins
ساخت یک مدل رگرسیون با داده های گسسته
خلاصه ماژول
نمای کلی ماژول
نفرین ابعاد
کاهش پیچیدگی در داده ها
انتخاب ویژگی برای کاهش ابعاد
روش های فیلتر
روش های تعبیه شده
خلاصه ماژول
نمای کلی ماژول
همبستگی های ویژگی
استفاده از ماتریس همبستگی برای تشخیص چند خطی
استفاده از ضریب تورم واریانس برای تشخیص چند خطی
انتخاب ویژگی ها با استفاده از مقادیر از دست رفته آستانه و آستانه واریانس
انتخاب ویژگی تک متغیره با استفاده از Chi2 و ANOVA
انتخاب ویژگی با استفاده از روش‌های Wrapper
انتخاب ویژگی با استفاده از روش های جاسازی شده
خلاصه ماژول