Data Preparation and Feature Engineering for Machine Learning

Dữ liệu thô hiếm khi sẵn sàng để sử dụng ngay lập tức trong huấn luyện. Học cách tinh chỉnh và cấu trúc các tập dữ liệu là bước quan trọng nhất trong việc xây dựng các hệ thống học máy đáng tin cậy hoạt động tốt trong thế giới thực. Chương trình này hướng dẫn bạn qua các công việc cần thiết để đảm bảo dữ liệu của bạn chính xác, cân bằng, và cấu trúc đúng để ngăn chặn các bẫy phổ biến như thiên vị và quá phù hợp. Bạn sẽ có được một hiểu biết sâu sắc về cách chất lượng dữ kiện ảnh hưởng trực tiếp đến thành công của mô hình và cách tự động hóa các quá trình này để đạt được tính nhất quán. Bạn sẽ học được: - Hiểu được nền tảng của việc dọn dẹp dữ liệu và xử lý giá trị thiếu hiệu quả. - Xây dựng các đường ống tự động để tối ưu hóa các luồng công việc biến đổi dữ liệu phức tạp. - Ứng dụng kỹ thuật cân bằng dữ liệu để quản lý các tập dữ kiện sai hoặc không tương xứng. - Ngăn chặn rò rỉ dữ liệu để đảm bảo các mô hình khái quát chính xác với thông tin mới. - Thực hiện k-fold cross-validation cho đánh giá hiệu suất đáng tin cậy và trung thực. - Luyện tập tính năng đo lường và mã hóa phân loại để chuẩn bị các biến cho các thuật toán hiện đại. Chương trình bắt đầu với thuật ngữ cơ bản và kiểu dữ liệu trước khi chuyển sang các kỹ thuật chuyển đổi thực tế và xây dựng đường ống. Qua các lời giải thích bằng văn bản và đoạn mã, bạn sẽ học cách định hướng toàn bộ chu kỳ sống chuẩn bị dữ kiện. Chương trình này được thiết kế cho người mới bắt đầu quan tâm đến khoa học dữ liệu và học máy. Không cần kinh nghiệm trước đó với việc huấn luyện mô hình. Bắt đầu xây dựng một nền tảng vững chắc trong việc chuẩn bị dữ liệu hôm nay.