Analyse exploratoire des données et préparation des données pour l'apprentissage automatique

Avant de construire un modèle d'apprentissage automatique, vous devez comprendre, nettoyer et préparer vos données.Ce cours basé sur du texte vous guide à travers le processus essentiel de transformation des ensembles de données bruts et désordonnés en entrées de haute qualité pour la modélisation prédictive. Vous passerez de la compréhension des concepts de données de base à la préparation avancée des données.Vous apprendrez à extraire des données de diverses sources, à gérer les valeurs manquantes, à concevoir des fonctionnalités puissantes et à exécuter des analyses statistiques préliminaires pour découvrir des modèles cachés. Ce que vous apprendrez: - Comprendre les concepts fondamentaux de qualité des données, les types de données et le pipeline d'apprentissage automatique. - Récupérer des ensembles de données à partir de diverses sources, y compris des bases de données SQL et des systèmes NoSQL modernes. - Nettoyer les données en désordre en gérant les valeurs manquantes, les valeurs aberrantes et les incohérences de formatage. - Appliquer des techniques d'ingénierie des fonctionnalités telles que l'échelle, l'encodage des variables catégorielles et les transformations mathématiques. - Pratiquer la validation de données moderne à l'aide de vérifications de schéma pour assurer la fiabilité du pipeline de données. - Effectuer une analyse exploratoire des données en utilisant des résumés statistiques et des matrices de corrélation pour générer des hypothèses. Le cours commence par des définitions de base et des principes de qualité des données avant de passer à la manipulation pratique des données et à l'ingénierie des fonctionnalités.Vous lirez des explications claires, analyserez des extraits de code Python pratiques et effectuerez des exercices écrits conçus pour renforcer votre apprentissage. Ce cours est conçu pour les débutants qui souhaitent entrer dans la science des données et l'apprentissage automatique, sans prérequis avancés. Maîtrisez les compétences essentielles de préparation des données qui font le succès des modèles d'apprentissage automatique.