Preparazione dei Dati per il Machine Learning in Python

I dati grezzi non sono quasi mai pronti per gli algoritmi di machine learning. Per costruire modelli che forniscano previsioni precise e affidabili, devi prima padroneggiare l'arte della pulizia dei dati e dell'ingegneria delle feature. Questo corso basato su testo ti guida dai dataset grezzi e disordinati a input puliti e ottimizzati, pronti per le pipeline di machine learning. Acquisirai le competenze pratiche necessarie per affrontare con sicurezza le sfide dei dati del mondo reale utilizzando Python e le sue librerie di dati standard. Cosa imparerai: 1. Comprendere i concetti fondamentali della preparazione dei dati, la terminologia e la pipeline di pre-elaborazione. 2. Pulire i dataset disordinati gestendo valori mancanti, duplicati e outlier utilizzando le moderne convenzioni di pandas. 3. Trasformare le variabili categoriche e scalare le feature numeriche per prestazioni ottimali del modello. 4. Progettare nuove feature per esporre schemi nascosti e migliorare il potere predittivo. 5. Dividere correttamente i dataset per prevenire la fuga di dati (data leakage) e garantire una robusta valutazione del modello. 6. Esercitarsi a scrivere codice Python pulito e leggibile con moderni suggerimenti di tipo (type hints) per le pipeline di dati. Inizierai con la terminologia di base e i concetti fondamentali della qualità dei dati prima di passare passo dopo passo attraverso tecniche pratiche di pulizia, trasformazione e ingegneria delle feature dei dati. Attraverso spiegazioni scritte e snippet di codice realistici, costruirai un solido flusso di lavoro per la preparazione di dati di alta qualità. Questo corso è progettato per principianti in data science e machine learning che hanno una familiarità di base con Python. Non è richiesta alcuna esperienza precedente di pre-elaborazione dei dati. Inizia oggi a padroneggiare il cruciale primo passo del flusso di lavoro di machine learning.