- Introducción al curso
- La ingeniería de atributos suele ser la fase más larga y compleja de la compilación de su proyecto de AA. En el proceso de la ingeniería de atributos, comenzará con sus datos sin procesar y usará sus propios conocimientos del dominio para crear atributos que harán funcionar sus algoritmos de aprendizaje automático.
- De datos sin procesar a atributos
- La ingeniería de atributos suele ser la fase más larga y compleja de la compilación de su proyecto de AA. En el proceso de la ingeniería de atributos, comenzará con sus datos sin procesar y usará sus propios conocimientos del dominio para crear atributos que harán funcionar sus algoritmos de aprendizaje automático. En este módulo, exploraremos cuáles son las características de un buen atributo y cómo representarlos en su modelo de AA.
- Preprocesamiento y creación de atributos
- En esta sección del módulo, se abordan el preprocesamiento y la creación de atributos, que son técnicas de procesamiento de datos que pueden ayudarlo a preparar un conjunto de atributos para un sistema de aprendizaje automático.
- Combinaciones de atributos
- En el aprendizaje automático tradicional, las combinaciones de atributos no se emplean con tanta frecuencia, pero en los métodos de AA actuales son un parte invaluable de su kit de herramientas. En este módulo, aprenderá a reconocer los tipos de problemas en los que las combinaciones de atributos son una forma eficiente de ayudar a que las máquinas aprendan.
- TensorFlow Transform
- TensorFlow Transform (tf.Transform) es una biblioteca para el preprocesamiento de datos con TensorFlow. tf.Transform es útil para el preprocesamiento que requiere un pase completo de los datos, como normalizar un valor de entrada mediante las funciones mean y stdev; convertir vocabulario en números enteros mediante la búsqueda de valores en todos los ejemplos de entrada, y agrupar entradas en buckets según la distribución de los datos observados. En este módulo, explorará casos de uso de tf.Transform.
- Resumen
