آموزش بهبود داده های عددی برای بهتر کردن فرآیند یادگیری ماشینی

در این دوره آموزشی قدم به قدم یاد می گیرید که چطور داده های عددی را برای پردازش Machine Learning آماده کنید.

عنوان اصلی : Building Features from Nominal Data

سرفصل ها :

بررسی اجمالی دوره
نمای کلی ماژول
پیش نیازها و رئوس مطالب دوره
داده های مستمر و طبقه بندی شده
داده های عددی
داده های دسته بندی
رمزگذاری برچسب و رمزگذاری تک داغ
انتخاب بین Label Encoding و One-hot Encoding
انواع وظایف طبقه بندی
رمزگذاری یکباره با دسته بندی های شناخته شده و ناشناخته
رمزگذاری یکباره روی یک ستون قاب داده پانداها
رمزگذاری یکباره با استفاده از pd.get_dummies()
رمزگذاری برچسب برای تبدیل داده های دسته بندی به ترتیبی
بایناریزر برچسب برای انجام کدگذاری یک در مقابل بقیه اهداف
باینریزر چند برچسبی برای رمزگذاری اهداف چند برچسبی
خلاصه ماژول
نمای کلی ماژول
تله ساختگی
اجتناب از تله ساختگی
کدگذاری ساختگی برای غلبه بر محدودیت‌های رمزگذاری تک داغ
تحلیل رگرسیون با کدگذاری ساختگی یا درمان
کدنویسی ساختگی با استفاده از پتسی
تجزیه و تحلیل رگرسیون را با استفاده از یادگیری ماشین بر روی دسته بندی های رمزگذاری شده ساختگی انجام دهید
انجام رگرسیون خطی با استفاده از یادگیری ماشینی با دسته‌های کدگذاری شده یک داغ
خلاصه ماژول
نمای کلی ماژول
کدگذاری ساختگی در مقابل کدگذاری کنتراست
بررسی تکنیک های کدگذاری کنتراست
تحلیل رگرسیون با استفاده از کدگذاری اثر ساده
انجام رگرسیون خطی با استفاده از یادگیری ماشین با کدگذاری اثر ساده
رگرسیون با استفاده از رمزگذاری تفاوت عقب
رگرسیون با استفاده از رمزگذاری هلمرت
ایجاد دسته‌هایی با فاصله یکسان برای انجام کدگذاری چند جمله‌ای متعامد
انجام تحلیل رگرسیون با استفاده از رمزگذاری چند جمله ای متعامد
خلاصه ماژول
نمای کلی ماژول
سطل بندی داده های پیوسته
سطل سازی داده های پیوسته با استفاده از پانداها
دسته بندی داده های پیوسته با استفاده از KBinsDiscretizer
هش کردن
قابلیت هش کردن با دیکشنری ها، تاپل ها و داده های متنی
ساخت یک مدل رگرسیون ساده با استفاده از مقادیر طبقه بندی شده درهم
خلاصه و مطالعه بیشتر