توضیحات

جامع ترین دوره آموزش مهندسی ویژگی برای یادگیری ماشین

نام دوره : Feature Engineering for Machine Learning

این دوره به تازگی به روز رسانی های متعدد داشته .

یادداشت مدرس در مورد آخرین به روز رسانی:

پیش نیاز:

• نصب پایتون
• نصب نوت بوک Jupyter.
• مهارت های کدنویسی پایتون
• مقداری تجربه با Numpy و Pandas.
• آشنایی با الگوریتم های یادگیری ماشینی
• آشنایی با Scikit-Learn.

توضیحات:

به مهندسی ویژگی برای یادگیری ماشین خوش آمدید، جامع ترین دوره آموزشی در زمینه مهندسی ویژگی که به صورت آنلاین در دسترس است .

در این دوره آموزشی، با انباشت متغیر، رمزگذاری متغیر، تبدیل ویژگی، گسسته سازی و نحوه ایجاد ویژگی های جدید از داده های خود آشنا خواهید شد.

در این دوره، چندین روش مهندسی ویژگی را یاد خواهید گرفت که به شما امکان می دهد داده های خود را تغییر دهید و آن ها را برای آموزش مدل های یادگیری ماشین آماده کنید.

به طور خاص، شما در جامع ترین دوره آموزش مهندسی ویژگی برای یادگیری ماشین یاد خواهید گرفت:

• چگونه داده های از دست رفته را نسبت دهیم
• نحوه کدگذاری متغیرهای طبقه بندی شده
• نحوه تبدیل متغیرهای عددی و تغییر توزیع آنها
• نحوه انجام گسسته سازی
• نحوه حذف نقاط پرت
• نحوه استخراج ویژگی ها از تاریخ و زمان
• نحوه ایجاد ویژگی های جدید از ویژگی های موجود
• ایجاد ویژگی های مفید با ریاضیات، آمار و دانش دامنه

مهندسی ویژگی فرآیند تبدیل ویژگی های موجود یا ایجاد متغیرهای جدید برای استفاده در یادگیری ماشین است.

داده های خام برای آموزش الگوریتم های یادگیری ماشین مناسب نیستند.

در عوض، دانشمندان داده زمان زیادی را به پیش پردازش داده ها اختصاص می دهند.

این دوره همه چیزهایی را که باید بدانید تا داده های خود را برای آموزش مدل های خود آماده کنید، به شما می آموزد.

در حالی که اکثر دوره‌های آنلاین اصول مهندسی ویژگی‌ها را به شما آموزش می‌دهند، مانند تعیین متغیرها با میانگین یا تبدیل متغیرهای طبقه‌بندی با استفاده از یک رمزگذاری داغ، این دوره به شما این و خیلی چیزهای دیگر را آموزش می‌دهد.

در این دوره ابتدا با محبوب ترین و پرکاربردترین تکنیک ها برای مهندسی متغیر، مانند میانگین و میانه انباشت، رمزگذاری یک داغ، تبدیل با لگاریتم و گسسته سازی آشنا می شوید.

سپس، روش‌های پیشرفته‌تری را کشف خواهید کرد که اطلاعات را در حین رمزگذاری یا تغییر شکل متغیرهای شما برای بهبود عملکرد مدل‌های یادگیری ماشین، ضبط می‌کنند.

روش هایی مانند وزن شواهد مورد استفاده در امور مالی و نحوه ایجاد روابط یکنواخت بین متغیرها و اهداف برای افزایش عملکرد مدل های خطی را یاد خواهید گرفت.

همچنین یاد خواهید گرفت که چگونه ویژگی‌ها را از متغیرهای تاریخ و زمان ایجاد کنید و چگونه متغیرهای طبقه‌بندی را با دسته‌های زیاد مدیریت کنید.

در پایان دوره، می‌توانید تصمیم بگیرید که بر اساس ویژگی‌های متغیر و مدل‌هایی که می‌خواهید آموزش دهید، به کدام تکنیک مهندسی ویژگی نیاز دارید. و همچنین در موقعیت مناسبی قرار خواهید گرفت تا روش‌های مختلف تغییر شکل را آزمایش کنید و به مدل‌هایتان اجازه دهید تصمیم بگیرند که کدام یک بهترین کار را انجام می‌دهند.

دوره  جامع ترین دوره آموزش مهندسی ویژگی برای یادگیری ماشین برای چه کسانی است:

• دانشمندان داده که می خواهند یاد بگیرند که چگونه مجموعه داده ها را به منظور ساخت مدل های یادگیری ماشینی پیش پردازش کنند.
• دانشمندان داده که می خواهند تکنیک های بیشتری برای مهندسی ویژگی برای یادگیری ماشین بیاموزند.
• دانشمندان داده که می خواهند مهارت های کدنویسی و شیوه های برنامه نویسی خود را برای مهندسی ویژگی بهبود بخشند.
• مهندسان نرم افزار، ریاضیدانان و دانشگاهیان مشاغل خود را به علم داده تغییر می دهند.
• دانشمندان داده علاقه مند به آزمایش تکنیک های مختلف مهندسی ویژگی در مسابقات داده ها هستند
• مهندسان نرم افزاری که می خواهند یاد بگیرند که چگونه از Scikit-learn و سایر بسته های منبع باز برای مهندسی ویژگی استفاده کنند

بخشی از دوره :