Guía para principiantes de ingeniería de características para Machine Learning

Los datos brutos rara vez están listos para los algoritmos de Machine Learning, y el éxito de sus modelos depende en gran medida de cómo prepare sus entradas. Comprender cómo limpiar, transformar y seleccionar las características correctas es el arma secreta de los científicos de datos exitosos. Este curso de solo texto lo guía desde un principiante absoluto hasta la preparación segura de conjuntos de datos para Machine Learning. Aprenderá los principios centrales de la ingeniería de características, comenzando con conceptos fundamentales y avanzando paso a paso a través de técnicas prácticas para hacer que sus modelos sean más precisos y robustos. Lo que aprenderá: * Comprender la terminología central de la ingeniería de características y cómo encaja en el flujo de trabajo de Machine Learning; * Manejar datos faltantes y valores atípicos utilizando técnicas modernas y robustas de imputación y escalado; * Codificar variables categóricas de manera efectiva, incluidas las características de alta cardinalidad; * Crear nuevas características numéricas a través de transformaciones matemáticas y agrupaciones; * Seleccionar las características más relevantes utilizando métodos modernos de selección algorítmica para prevenir el sobreajuste; * Estructurar sus pasos de transformación de datos en canalizaciones limpias y reproducibles. Comenzará con los conceptos básicos absolutos de estructuras de datos y calidad, luego progresará a transformaciones avanzadas y selección de características. Cada concepto se refuerza con guías escritas, fragmentos de código y ejercicios conceptuales. Este curso está diseñado para principiantes, aspirantes a científicos de datos y analistas que desean crear mejores modelos de Machine Learning. No se requiere experiencia previa en Machine Learning avanzado, aunque una comprensión básica de Python es útil. Comience su viaje para dominar la preparación de datos y construir modelos de Machine Learning más inteligentes hoy mismo.