Engenharia de recursos práticos para aprendizado de máquina

Está lutando para melhorar o desempenho do seu modelo? A resposta geralmente não está no algoritmo, mas nos recursos que você fornece. Este curso fornece uma base prática em engenharia de recursos.Você aprenderá a limpar, transformar e criar novas variáveis de conjuntos de dados brutos, transformando-os em um formato que os algoritmos de aprendizado de máquina possam entender e alavancar para melhores previsões. No final, você terá as habilidades para preparar qualquer conjunto de dados para seus projetos de ML. O que você vai aprender: - Aplique várias técnicas de imputação para lidar com dados ausentes de forma eficaz. - Converta variáveis categóricas em formatos numéricos usando métodos de codificação one-hot, ordinal e outros. - Identifique e gerencie valores atípicos para evitar que eles distorçam o desempenho do seu modelo. - Crie novos recursos poderosos a partir de tipos de dados complexos, como datas e horários. - Transforme variáveis contínuas em bins discretos através de discretização e dimensionamento. - Construa pipelines de pré-processamento reutilizáveis para agilizar seu fluxo de trabalho de engenharia de recursos. O curso começa com a terminologia e os conceitos básicos, e então progride através de técnicas práticas para cada tipo de transformação de dados.Você praticará cada método através de explicações claras e escritas e exercícios focados. Este curso é projetado para iniciantes em aprendizado de máquina.Não é necessária experiência prévia em engenharia de recursos, embora uma familiaridade básica com Python e conceitos fundamentais de ML seja útil. Comece a aprender hoje e desbloqueie o verdadeiro potencial dos seus dados.