Návrh Školení
Úvod
- Budování efektivních algoritmů pro rozpoznávání, klasifikaci a regresi vzorů.
Nastavení vývojového prostředí
- Python knihovny Online vs offline editory
Přehled funkce Feature Engineering
- Vstupní a výstupní proměnné (vlastnosti) Klady a zápory inženýrství vlastností
Typy problémů, se kterými se setkáváme v nezpracovaných datech
- Nečistá data, chybějící data atd.
Předzpracování proměnných
- Nakládání s chybějícími daty
Zpracování chybějících hodnot v datech
Práce s kategorickými proměnnými
Převod štítků na čísla
Manipulace se štítky v kategorických proměnných
Transformace proměnných pro zlepšení prediktivní schopnosti
- Číselné, kategorické, datumové atd.
Čištění souboru dat
Machine Learning Modelování
Zpracování odlehlých hodnot v datech
- Číselné proměnné, kategoriální proměnné atd.
Shrnutí a závěr
Požadavky
- Python zkušenosti s programováním.
- Zkušenosti s Numpy, Pandas a scikit-learn.
- Znalost algoritmů strojového učení.
Publikum
- Vývojáři
- Datoví vědci
- Datové analytiky
Reference (2)
Szkolenie rewelacyjne, jedno z najlepszych, na jakich bylem! Prowadzacy Rafal doskonale odpowiadal w zakresie poruuszanych zagadnien, bardzo dokladnie tlumaczyl wszystkie metody. Jestem bardzo zadowolony i chetnie ponownie skorzystam ze szkolenia prowadzonego przez tego szkoleniowca.
Darek Paszkowski - Orange Szkolenia Sp. z o.o.
Kurz - Feature Engineering for Machine Learning
Rysunki na flipcharcie, całe szkolenie.