Preparazione dei dati categorici per il machine learning

I dati grezzi del mondo reale sono raramente pronti per gli algoritmi di apprendimento automatico, poiché la maggior parte dei modelli richiede input numerici.Questo corso basato su testo ti insegna come identificare, analizzare e convertire le caratteristiche categoriche e booleane in formati ottimizzati per l'apprendimento automatica. Cosa imparerai: - Comprendere le differenze fondamentali tra le caratteristiche categoriche nominali, ordinali e binarie. - Applicare tecniche di codifica essenziali tra cui codifica one-hot, codifica etichetta e codifica target. - Analizzare le funzionalità ad alta cardinalità e implementare strategie per ridurre la dimensionalità. - Gestisci i valori categorici mancanti utilizzando i moderni metodi di imputazione. - Configurare le pipeline di preelaborazione utilizzando panda e TensorFlow per preparare i dati per l'addestramento del modello. - Pratica i flussi di lavoro di ingegneria delle funzionalità attraverso tutorial scritti e snippet di codice chiari e dettagliati. Inizierai con i concetti fondamentali del tipo di dati prima di passare alle tecniche di codifica pratiche e alla costruzione di pipeline di input robuste.Questo corso è progettato per aspiranti scienziati dei dati e principianti di apprendimento automatico; si consiglia una familiarità di base con Python ma non è necessaria alcuna esperienza di preelaborazione. Inizia a padroneggiare l'arte dell'ingegneria delle funzionalità oggi stesso.