Kodieren von kategorialen Daten für maschinelles Lernen

Viele reale Datensätze enthalten kategoriale Informationen, die maschinelle Lernmodelle nicht direkt verarbeiten können. Die effektive Transformation dieser Daten ist ein entscheidender Schritt beim Aufbau robuster und genauer Vorhersagemodelle. Dieser Kurs vermittelt Ihnen die grundlegenden Kenntnisse und praktischen Fähigkeiten, um rohe kategoriale Merkmale in geeignete numerische Formate umzuwandeln, sodass Sie effektivere Machine-Learning-Modelle erstellen können. Was Sie lernen werden: * Verstehen Sie die grundlegende Rolle der kategorialen Datenkodierung in Machine-Learning-Workflows. * Erfassen Sie die Unterschiede zwischen nominalen und ordinalen kategorialen Datentypen und ihren Auswirkungen auf die Codierung. * Anwenden von LabelEncoder, OneHotEncoders und OrdinalEncodern aus scikit-learn zur Transformation verschiedener Datensätze. * Bewerten Sie geeignete Codierungsstrategien basierend auf Dateneigenschaften und Modellanforderungen. * Integrieren Sie Datenvorverarbeitungsschritte, einschließlich der Kodierung, in scikit-learn-Pipelines für optimierte Workflows. * Üben Sie die Implementierung von Codierungstechniken durch schriftliche Übungen und Codebeispiele. Der Kurs beginnt mit der Definition kategorialer Daten und deren Herausforderungen, dann werden systematisch verschiedene scikit-learn-Codierungsmethoden vorgestellt. Sie werden durch praktische Anwendungen vorankommen und lernen, die richtigen Techniken für verschiedene Szenarien auszuwählen und zu implementieren. Dieser Kurs richtet sich an absolute Anfänger in Machine Learning und Data Science mit grundlegenden Python-Kenntnissen, die keine Vorkenntnisse in Datenvorverarbeitung oder scikit-learn erfordern. Beginnen Sie Ihre Reise, um die wichtigsten Datenaufbereitungstechniken für maschinelles Lernen zu meistern.