Pokročilé vytváranie atribútov pre Machine Learning v Pythone

Popis online kurzu Pokročilé vytváranie atribútov pre Machine Learning v Pythone

Čo sa v kurze Pokročilé vytváranie atribútov pre Machine Learning v Pythone naučíte

Kategorické atribúty

• Enkódovanie pomocou sumárnej štatistiky, kde kategórie nahradíme štatistickými vlastnosťami zo vstupného atribútu.
• Základný Target Encoding, teda nahrádzanie kategórií očakávanou hodnotou cieľovej premennej.
• Weight of Evidence (WoE) a Leave-one-out Encoding, dve pokročilé techniky využívané hlavne vo finančníctve a risk modelovaní.
• Použitie CatBoost Encoderu, ktorý kombinuje výhody viacerých prístupov.
• Feature Cross, teda tvorbu interakcií medzi kategorickými atribútmi, čo môže výrazne zlepšiť schopnosti modelov zachytiť komplexné vzory v dátach.
• V bonusovej sekcii si ukážeme aj menej tradičné metódy ako String Similarity Encoding, Binary Encoding, Hashing Encoder, Polynomial Encoding či Helmert Encoding.
  
  

Numerické atribúty

• Stabilizovať rozptyl numerických dát, aby modely lepšie generalizovali.
• Používať polynómy a splines, ktoré sú špecifické pre zlepšovanie výkonu lineárnych modelov.
• Diskretizovať numerické atribúty – meniť číselné dáta na kategórie tam, kde je to výhodné.
• Vytvárať interakcie medzi numerickými atribútmi, čím rozšírime priestor modelu na zachytávanie zložitých vzťahov.
• A na záver tejto časti si vysvetlíme techniky na redukciu dimenzionality, ktoré vám pomôžu zjednodušiť model a zlepšiť jeho výkonnosť.
  
  

Ostatné atribúty

• Tvorbu cyklických atribútov, ktoré sú nevyhnutné napríklad pri práci s dátami obsahujúcimi časové alebo sezónne prvky (mesiace, dni v týždni a pod.).
• Vyjadrovať extrémnosť pozorovaní, čo vám umožní efektívne pracovať s anomáliami a špecifickými dátovými bodmi.
• V praktických odporúčaniach na záver kurzu si zhrnieme, kedy ktoré techniky využiť a ako ich správne aplikovať.
  
  

Pre koho je kurz Pokročilé vytváranie atribútov pre Machine Learning v Pythone vhodný

Čo po kurze dokážete a čo si odnesiete?

• Budete vedieť enkódovať kategorické dáta pomocou pokročilých techník, ktoré sa využívajú v reálnom svete.
• Zvládnete efektívne vytvárať a kombinovať numerické atribúty na zlepšenie výkonnosti modelov.
• Naučíte sa detekovať cyklické vzory a správne ich spracovať.
• Budete ovládať techniky na zníženie počtu atribútov bez straty výkonnosti modelu.
• Budete vedieť správne vyhodnotiť, ktoré metódy sú vhodné pre rôzne typy problémov.
  
  

Má kurz Pokročilé vytváranie atribútov pre Machine Learning v Pythone vstupné požiadavky?

• zvládať prácu v Jupyter notebookoch,
• ovládať knižnice pandas a numpy,
• mať základné znalosti štatistiky a strojového učenia,
• poznať základné techniky vytvárania atribútov (feature engineering).
  
  

Čo je potrebné na absolvovanie kurzu?

• Základná znalosť angličtiny: Minimálne pasívna znalosť na úrovni čítania textu pretože praktický Jupyter notebook aj dokumentácie sú v anglickom jazyku. Všetky video tutoriály sú však v slovenskom jazyku.
• Stabilné internetové pripojenie. Pre sledovanie video lekcií či prácu na cvičeniach je internetové pripojenie neustále potrebné.
• Aktualizovaný internetový prehliadač Google Chrome, Microsoft Edge alebo Mozilla Firefox.

Čo všetko s kurzom Pokročilé vytváranie atribútov pre Machine Learning v Pythone získate

• Rozsiahly, praktický Jupyter notebook, v ktorom si nielen prakticky vyskúšate jednotlivé koncepty, ale môžete ho používať ako osobnú referenciu vo vašom (budúcom) zamestnaní,
• video tutoriály o Pokročilom vytváraní atribútov pre Machine Learning v Pythone
• moderované diskusné fórum, v ktorom na vaše otázky odpovedá autor kurzu Róbert Barcík,
• certifikát o absolvovaní online kurzu  Pokročilé vytváranie atribútov pre Machine Learning v Pythone
• garancia vrátenia peňazí do 14 dní v prípade nespokojnosti s kurzom.