Fondamentaux de l'ingénierie des caractéristiques pour l'apprentissage automatique

Les données brutes fonctionnent rarement bien directement dans les modèles d'apprentissage automatique. La qualité et la pertinence de vos caractéristiques déterminent en fin de compte les performances et le succès de votre modèle final. Ce cours vous enseigne le processus systématique d'ingénierie des caractéristiques, vous dotant des compétences nécessaires pour nettoyer, transformer et sélectionner les variables optimales nécessaires à la construction de solutions d'apprentissage automatique puissantes et efficaces. Ce que vous apprendrez : * Comprendre le cycle de vie de la préparation des données et le rôle critique de l'ingénierie des caractéristiques dans le pipeline d'apprentissage automatique. * Appliquer des techniques essentielles pour gérer les valeurs manquantes et la détection des valeurs aberrantes sur différents types de données. * Maîtriser diverses méthodes d'encodage et de mise à l'échelle, y compris la normalisation et la gestion avancée des données catégorielles, pour préparer les caractéristiques à la modélisation. * S'entraîner à générer de nouvelles caractéristiques informatives à partir de variables existantes, y compris des méthodes de base pour les données de séries chronologiques et textuelles. * Configurer des méthodes de sélection de caractéristiques de base pour réduire la dimensionnalité, prévenir le surajustement et améliorer l'interprétabilité du modèle. Nous commençons par les concepts de base et l'exploration des données, puis nous passons rapidement aux méthodes pratiques de transformation et de raffinement des données. Nous concluons en discutant des stratégies de sélection des caractéristiques nécessaires à l'entraînement de modèles efficaces et performants. Ce cours est conçu pour les grands débutants intéressés par la science des données ou l'apprentissage automatique qui ont besoin d'une base solide en préparation des données. Aucune connaissance préalable en apprentissage automatique n'est requise. Commencez dès aujourd'hui à maîtriser l'étape la plus cruciale du flux de travail d'apprentissage automatique.