Перейти к основному содержимому
ДомPython

Course

Feature Engineering for Machine Learning in Python

СреднийУровень навыка
Обновлено 02.2023
Create new features to improve the performance of your Machine Learning models.
Начать Курс Бесплатно
PythonMachine Learning
4 ч.
16 videos
53 Exercises
4,350 XP
38,776
Сертификат об успешном завершении

Создайте бесплатную учетную запись

Продолжить С GoogleПоказать больше вариантов

или

Продолжая, вы принимаете наши Условия использования, нашу Политику конфиденциальности и соглашаетесь с тем, что ваши данные хранятся в США.

Любим тысячами компаний и их сотрудниками

Group

Обучаете команду?

Попробуйте для бизнеса

Описание курса

Every day you read about the amazing breakthroughs in how the newest applications of machine learning are changing the world. Often this reporting glosses over the fact that a huge amount of data munging and feature engineering must be done before any of these fancy models can be used. In this course, you will learn how to do just that. You will work with Stack Overflow Developers survey, and historic US presidential inauguration addresses, to understand how best to preprocess and engineer features from categorical, continuous, and unstructured data. This course will give you hands-on experience on how to prepare any data for your own machine learning models.

Предварительные требования

Supervised Learning with scikit-learn
1

Creating Features

In this chapter, you will explore what feature engineering is and how to get started with applying it to real-world data. You will load, explore and visualize a survey response dataset, and in doing so you will learn about its underlying data types and why they have an influence on how you should engineer your features. Using the pandas package you will create new features from both categorical and continuous columns.
Начать Главу
2

Dealing with Messy Data

This chapter introduces you to the reality of messy and incomplete data. You will learn how to find where your data has missing values and explore multiple approaches on how to deal with them. You will also use string manipulation techniques to deal with unwanted characters in your dataset.
Начать Главу
3

Conforming to Statistical Assumptions

In this chapter, you will focus on analyzing the underlying distribution of your data and whether it will impact your machine learning pipeline. You will learn how to deal with skewed data and situations where outliers may be negatively impacting your analysis.
Начать Главу
4

Dealing with Text Data

Finally, in this chapter, you will work with unstructured text data, understanding ways in which you can engineer columnar features out of a text corpus. You will compare how different approaches may impact how much context is being extracted from a text, and how to balance the need for context, without too many features being created.
Начать Главу
Feature Engineering for Machine Learning in Python
Курс
завершён

Получите Сертификат о завершении обучения

Добавьте этот сертификат в свой профиль LinkedIn, резюме или CV
Поделитесь этим в социальных сетях и в своей оценке эффективностиЗаписаться Сейчас

Присоединяйтесь к 19 миллионам учащихся и начните Feature Engineering for Machine Learning in Python уже сегодня!

Создайте бесплатную учетную запись

Продолжить С GoogleПоказать больше вариантов

или

Продолжая, вы принимаете наши Условия использования, нашу Политику конфиденциальности и соглашаетесь с тем, что ваши данные хранятся в США.

Развивайте свои навыки работы с данными с помощью DataCamp для мобильных устройств.

Успевайте в обучении на ходу с помощью наших мобильных курсов и ежедневных 5-минутных заданий по программированию.