Feature Engineering en Français

Por: Coursera . en: , ,

  • Présentation du cours
    • L'extraction de caractéristiques est souvent la phase la plus longue et la plus pénible de la création de votre projet de ML. Dans cette phase, vous commencez par utiliser vos données brutes et vos connaissances du domaine pour créer des caractéristiques qui feront fonctionner les algorithmes du machine learning.
  • Des données brutes aux caractéristiques
    • L'extraction de caractéristiques est souvent la phase la plus longue et la plus pénible de la création de votre projet de ML. Dans cette phase, vous commencez par utiliser vos données brutes et vos connaissances du domaine pour créer des caractéristiques qui feront fonctionner les algorithmes du machine learning. Dans ce module, nous verrons ce qui fait une bonne caractéristique et comment la représenter dans votre modèle de ML.
  • Prétraitement et création de caractéristiques
    • Cette section du module couvre le prétraitement et la création de caractéristiques qui sont des techniques de traitement des données pouvant vous aider à préparer un ensemble de caractéristiques pour un système de machine learning.
  • Croisements de caractéristiques
    • Dans le machine learning classique, les croisements de caractéristiques n'ont pas un rôle important, tandis que dans les méthodes de ML actuelles, ils sont un élément indispensable de votre kit d'outils. Dans ce module, vous allez voir comment reconnaître les problèmes pour lesquels les croisements de caractéristiques sont une méthode efficace pour aider les machines à apprendre.
  • Tensorflow Transform
    • TensorFlow Transform (tf.Transform) est une bibliothèque de prétraitement des données avec TensorFlow. tf.Transform est utile pour les prétraitements nécessitant un passage complet des données, tel que : - normaliser une valeur d'entrée par l'écart moyen et l'écart type - mettre en entier un vocabulaire en recherchant des valeurs dans tous les exemples d'entrée - mettre en bucket les entrées en fonction de la répartition des données observées. Dans ce module, nous explorerons des cas d'utilisation pour tf.Transform.
  • Résumé

Plataforma