- Introdução ao curso
- A engenharia de atributos costuma ser a fase mais longa e difícil da criação de projetos de ML. Nesse processo, você começa com os dados brutos e usa seu conhecimento do domínio para criar atributos que permitam o funcionamento dos algoritmos de machine learning.
- Dados brutos em atributos
- A engenharia de atributos costuma ser a fase mais longa e difícil da criação de projetos de ML. Nesse processo, você começa com os dados brutos e usa seu conhecimento do domínio para criar atributos que permitam o funcionamento dos algoritmos de machine learning. Neste módulo, você verá como identificar atributos bons e representá-los no modelo de ML.
- Pré-processamento e criação de atributos
- Nesta seção do módulo, abordaremos o pré-processamento e a criação de atributos. Elas são técnicas de processamento de dados que preparam um conjunto de atributos para um sistema de machine learning.
- Cruzamentos de atributos
- Os cruzamentos de atributos não eram tão importantes no machine learning tradicional, mas são parte essencial dos métodos de ML modernos. Neste módulo, você aprenderá a identificar os tipos de problema em que eles são úteis no machine learning.
- TensorFlow Transform
- O TensorFlow Transform (tf.Transform) é uma biblioteca para pré-processar dados com o TensorFlow. Ele é útil, porque o pré-processamento exige uma transmissão completa dos dados, como: normalizar um valor de entrada por mean e stdev, transformar um vocabulário em número inteiro pela análise dos valores em todos os exemplos de entrada e criar buckets das entradas com base na distribuição observada dos dados. Neste módulo, veremos os casos de uso do tf.Transform.
- Resumo
