Przygotowanie danych za pomocą narzędzia Data Wrangler w Fabric

Zanim będzie można trenować dowolny model uczenia maszynowego, należy upewnić się, że dane są czyste, spójne i poprawnie sformatowane. Dane surowe rzadko są gotowe do analizy, a ręczne przetwarzanie wstępne może być czasochłonne i podatne na błędy. Ten kurs tekstowy przeprowadzi Cię przez podstawy przygotowania danych za pomocą Data Wrangler w Fabric. Przejdziesz od obsługi nieuporządkowanych, nieustrukturyzowanych zbiorów danych do generowania czystych, gotowych do modelowania danych bezpośrednio w środowiskach notebooków, przyspieszając przepływ pracy z danymi. Co się nauczysz: Zrozumienie podstawowych pojęć wstępnego przetwarzania danych i typowych problemów z jakością danych; Nawigacja w interfejsie Data Wrangler w notebookach Fabric w celu profilowania i eksploracji danych; Stosowanie transformacji w celu obsługi brakujących wartości, duplikatów i niespójnego formatowania; Wykonaj kroki inżynierii funkcji, takie jak jednokrotne kodowanie, skalowanie, Automatyczne generowanie czystego kodu Pythona w celu zintegrowania etapów przetwarzania wstępnego w powtarzalne potoki; Przygotowywanie wysokiej jakości zestawów danych zoptymalizowanych pod kątem szkolenia modeli uczenia maszynowego. Kurs zaczyna się od podstawowej terminologii i zasad czyszczenia danych, zanim przejdzie do praktycznych pisemnych przewodników po narzędziach transformacji Data Wrangler. Przeczytasz praktyczne przykłady i fragmenty kodu, które pokażą Ci, jak bezproblemowo eksportować kroki czyszczenia do gotowego do produkcji kodu Pythona. Ten kurs jest przeznaczony dla początkujących analityków danych, aspirujących naukowców zajmujących się danymi i programistów, którzy chcą usprawnić przepływy pracy związane z przygotowaniem danych. Nie jest wymagane wcześniejsze doświadczenie z Fabric, chociaż pomocna jest podstawowa znajomość Pythona i pojęć dotyczących danych. Zacznij czytać już dziś, aby uprościć proces czyszczenia danych i budować lepsze modele uczenia maszynowego.