Analisi esplorativa dei dati e preparazione dei dati per il machine learning

Prima di creare qualsiasi modello di machine learning, è necessario comprendere, pulire e preparare i dati.Questo corso basato su testo ti guida attraverso il processo essenziale di trasformazione di set di dati grezzi e disordinati in input di alta qualità per la modellazione predittiva. Imparerai come estrarre i dati da varie fonti, gestire i valori mancanti, progettare potenti funzionalità ed eseguire analisi statistiche preliminari per scoprire modelli nascosti. Cosa imparerai: - Comprendere i concetti fondamentali di qualità dei dati, i tipi di dati e la pipeline di apprendimento automatico. - Recupera i dataset da diverse fonti, inclusi i database SQL e i moderni sistemi NoSQL. - Pulire i dati disordinati gestendo valori mancanti, valori anomali e incongruenze di formattazione. - Applicare tecniche di ingegneria delle funzionalità come ridimensionamento, codifica di variabili categoriche e trasformazioni matematiche. - Praticare la convalida dei dati moderni utilizzando i controlli dello schema per garantire l'affidabilità della pipeline dei dati. - Eseguire analisi esplorative dei dati utilizzando riepiloghi statistici e matrici di correlazione per generare ipotesi. Il corso inizia con definizioni di base e principi di qualità dei dati prima di passare alla manipolazione dei dati e all'ingegneria delle funzionalità.Leggerai spiegazioni chiare, analizzerai frammenti di codice Python pratici e completerai esercizi scritti progettati per rafforzare il tuo apprendimento. Questo corso è progettato per i principianti che cercano di entrare nella scienza dei dati e nell'apprendimento automatico, senza prerequisiti avanzati. Inizia a padroneggiare le competenze di preparazione dei dati critici che rendono i modelli di machine learning di successo.