Phân tích dữ liệu khám phá và chuẩn bị dữ kiện cho học máy

Trước khi xây dựng bất kỳ mô hình học máy nào, bạn phải hiểu, dọn dẹp, và chuẩn bị dữ liệu của bạn. Chương trình học dựa trên văn bản này hướng dẫn bạn qua quá trình cơ bản của việc chuyển đổi các tập dữ kiện thô, lộn xộn thành đầu vào chất lượng cao cho mô hình dự đoán. Bạn sẽ học cách trích xuất dữ liệu từ nhiều nguồn khác nhau, xử lý các giá trị bị thiếu, thiết kế các tính năng mạnh mẽ, và chạy các phân tích thống kê sơ bộ để khám phá các mẫu ẩn. Bạn sẽ học được: - Hiểu các khái niệm chất lượng dữ liệu cơ bản, các loại dữ kiện, và đường ống học máy. - Tìm kiếm các tập dữ liệu từ các nguồn khác nhau, bao gồm cơ sở dữ kiện SQL và hệ thống NoSQL hiện đại. - Dữ liệu bừa bộn sạch sẽ bằng cách xử lý các giá trị thiếu, giá trị lệch, và định dạng không nhất quán. - Ứng dụng các kỹ thuật kỹ sư đặc trưng như quy mô, mã hóa biến thể phân loại, và biến đổi toán học. - Thực hành xác minh dữ liệu hiện đại bằng cách kiểm tra sơ đồ để đảm bảo độ tin cậy của đường ống dữ kiện. - Thực hiện phân tích dữ liệu thăm dò sử dụng tóm tắt thống kê và ma trận tương quan để tạo giả thuyết. Chương trình bắt đầu với các định nghĩa cơ bản và nguyên tắc chất lượng dữ liệu trước khi chuyển sang thao tác dữ kiện và kỹ thuật tính năng. Bạn sẽ đọc các lời giải thích rõ ràng, phân tích các đoạn mã Python thực tế, và hoàn thành các bài tập viết được thiết kế để tăng cường việc học của bạn. Lớp học này được thiết kế cho người mới bắt đầu tìm kiếm để nhập khoa học dữ liệu và học máy, không cần điều kiện tiên quyết cao cấp. Bắt đầu làm chủ các kỹ năng chuẩn bị dữ liệu quan trọng làm cho mô hình học máy thành công.