Vytváření atributů pro Machine Learning v Pythonu

6h 12min

Čas

Kapitol

Programování

Kategorie

Hodnocení

Mírně pokročilý

Level

slovenský

Jazyk kurzu

Popis online kurzu Vytváření atributů pro Machine Learning v Pythonu

Kurz Vytváření atributů pro Machine Learning v Pythonu vás naučí, jak přeměnit syrová data na hodnotné atributy, které výrazně zlepší výkonnost modelů strojového učení.

V úvodní části kurzu se dozvíte, proč je třeba data upravit před jejich použitím v prediktivních modelech – tento proces nazýváme „feature engineering“. Budeme pracovat v knihovně scikit-learn, která je světovým standardem v oblasti tvorby modelů strojního učení.

Pomocí této knihovny budete tvořit z číselných hodnot numerické atributy a naučíte se, jak vyřešit extrémní hodnoty (outliers), které se v datech mohou nacházet. Protože prediktivní modely neumí pracovat s daty, která jsou ve formě textu, jako je například „žlutá“, „oranžová“, „červená“, naučíte se jak tyto hodnoty přeměnit na čísla. V závěru kurzu si vysvětlíme, že ne všechny atributy, které jsme vytvořili, je vhodné použít v prediktivním modelu. Naučíte se techniky pro výběr těch atributů, které mohou být pro model hodnotné v procesu nazvaném “feature selection”.

Po absolvování tohoto kurzu budete tedy vědět vše potřebné pro správné vytváření a vyjmutí atributů pro vytvoření silných a robustních prediktivních modelů.

Víme, že nejlépe se člověk naučí nové dovednosti jejich praktikováním, a proto je pro vás připraveno 7 praktických programovacích cvičení v Jupyter noteboocích s úkoly a vysvětleními jednotlivých konceptů.

Co se v kurzu Vytváření atributů pro Machine Learning v Pythonu naučíte

Celkový obsah kurzu je 6 hodin. Prostředí, ve kterém budete během kurzu programovat se nazývá Jupyter notebooky s Pythonem. Níže je uveden seznam oblastí, kterým se v kurzu věnujeme:

"Úvod do vytváření atributů": První části kurzu si vysvětlíme proč potřebujeme data upravit předtím než je poskytneme prediktivnímu modelu - tento proces se nazývá "feature engineering".
„Úvod do stavových transformací a scikit-learn knihovny“: V této části si ukážeme důležitý koncept stavových transformací. Představíme si knihovnu scikit-learn, kterou budeme během programu používat. Tato knihovna je dnes světovým standardem pro vytváření modelů strojního učení.
“Numerické atributy”: Pomocí různých technik se naučíme jak vytvořit numerické atributy prostřednictvím změny škály původních numerických dat. Také si vysvětlíme, jaké problémy mohou způsobit extrémní hodnoty (outliers) a naučíme se, jak tyto hodnoty odstraňujeme z dat pomocí knihovny feature_engine.
“Kategorické atributy”: Datasety často obsahují data v podobě krátkého textu, jako například kategorie. Protože prediktivní modely nedokážou s textovými daty pracovat, ukážeme si, jak můžeme text přeměnit na čísla. Naučíte se také pracovat s knihovnou category_encoders, pomocí které umíme definovat pořadí kategorií, které se v datech přirozeně nachází.
“Atributy času a data”: Datasety často obsahují data, ve kterých je vyjádřen čas události (například, kdy si zákazník zakoupil produkt). Ukážeme si, jak můžeme z těchto dat získat hodnotné atributy.
“Chybějící hodnoty”: Datasety občas nejsou kompletní. Ukážeme si jak efektivně a vědecky dokážeme vyřešit problémy spojené s chybějícími hodnotami tak, abychom neuškodili našemu prediktivnímu modelu.
„Vybírání atributů“: Vytvořili jsme již mnoho atributů, a proto je třeba z nich vybrat ty, které jsou pro prediktivní model hodnotné. Ukážeme si základní techniky filtrování a vybírání atributů, které nám pomohou při vytváření silného prediktivního modelu.

Pro koho je kurz Vytváření atributů pro Machine Learning v Pythonu vhodný

Kurz Vytváření atributů pro Machine Learning v Pythonu je vhodný pro všechny, kteří mají předchozí zkušenosti s analýzou dat v Pythonu a chtějí si rozšířit obzory v Data Science. Kurz je pro vás ideální, pokud směřujete v budoucnosti do Data Science pozice, která vyžaduje schopnost vytvářet prediktivní modely. V tomto kurzu získáte nezbytné základy k tomu, abyste pro tyto prediktivní modely uměli správně připravit data, řešit chybějící hodnoty, které se v datasetech častokrát nacházejí a vybrat vhodné atributy.

Pro úspěšné absolvování tohoto kurzu se prosím ujistěte, že splňujete následující požadavky:

zvládáte práci s Jupyter notebooky,
dokážete pracovat s knihovnou pandas a zpracovávat v ní data,
víte co jsou Numpy pole a zvládáte základní operace s nimi,
zvládáte středoškolskou matematiku a základy deskriptivní statistiky (průměr, medián, modus, variabilita, atd.).

Kurz je vhodný pro absolventy našeho kurzu “Zpracování dat v Pythonu”.

Co po kurzu dokážete a co si odnesete?

Praktické zkušenosti s vytvářením atributů, jejich výběrem a se scikit-learn knihovnou, která se využívá v reálném světě v různých odvětvích.
Dokážete vhodně a správně připravit numerické a kategorické atributy pro použití v prediktivních modelech.
Dokážete získat hodnotné atributy z datasetů, které obsahují informace o datu a čase.
Umíte používat techniky k řešení chybějících a extrémních hodnot v datech, která mohou být problém pro prediktivní modely.
Dokážete aplikovat metody pro vybrání vhodných atributů.

V případě, že směřujete v budoucnosti do Data Science pozice, která vyžaduje schopnost umět tvořit prediktivní modely, můžete přímo pokračovat do našeho dalšího kurzu „Machine learning v Pythonu“, který danou tématiku pokrývá.

Co je zapotřebí k absolvování kurzu?

Vlastní laptop. Firemní laptop může způsobovat problémy, například, při přístupech na Google Drive prostředí nebo při instalaci knihoven.
Základní znalost angličtiny: Minimální pasivní znalost na úrovni čtení textu jelikož pro knihovny, o kterých se budeme učit jsou vytvořeny dokumentace v anglickém jazyce. Všechny video tutoriály jsou však ve slovenském jazyce.
Stabilní internetové připojení. Pro sledování video lekcí či práci na cvičeních je internetové připojení neustále zapotřebí.
Aktualizovaný internetový prohlížeč Google Chrome, Microsoft Edge nebo Mozilla Firefox.
(doporučeno) Google účet. S Jupyter notebooky doporučujeme pracovat v prostředí Google Colaboratory. V případě, že Google účet nemáte a ani si jej nechcete zakládat, bude k dispozici druhá alternativa pro lokální práci s Jupyter notebooky.

Co všechno s kurzem Vytváření atributů pro Machine Learning v Pythonu získáte

7 Jupyter notebooků, ve kterých si nejen prakticky vyzkoušíte jednotlivé koncepty, ale můžete je používat jako osobní referenci ve vašem (budoucím) zaměstnání,
videotutoriály o Vytváření atributů pro Machine Learning v Pythonu,
moderované diskusní fórum, ve kterém na vaše dotazy odpovídá autor kurzu Róbert Barcík,
certifikát o absolvování online kurzu Vytváření atributů pro Machine Learning v Pythonu
garance vrácení peněz do 14 dnů v případě nespokojenosti s kurzem.