or
यह अभ्यास पाठ्यक्रम का हिस्सा है
आपको dimensionality reduction की अवधारणा से परिचित कराया जाएगा और आप सीखेंगे कि यह कब और क्यों महत्वपूर्ण है। आप feature selection और feature extraction के बीच का अंतर समझेंगे और डेटा exploration के लिए दोनों तकनीकों का उपयोग करेंगे। अध्याय का अंत t-SNE पर एक लेसन से होगा, जो एक शक्तिशाली feature extraction तकनीक है और आपको high-dimensional डेटासेट को visualize करने में मदद करेगी।
वर्तमान अभ्यास
Feature selection के दो अध्यायों में से पहले में, आप curse of dimensionality के बारे में जानेंगे और कैसे dimensionality reduction इससे निपटने में मदद करती है। आपको कई तकनीकों से परिचित कराया जाएगा जो ऐसे फीचर्स को पहचानने और हटाने में मदद करती हैं जिनका डेटासेट में कम योगदान होता है। या तो इसलिए कि उनमें variance कम है, missing values बहुत ज़्यादा हैं, या वे अन्य फीचर्स से बहुत मज़बूती से correlated हैं।
Feature selection के इस दूसरे अध्याय में, आप सीखेंगे कि किसी खास target फीचर की prediction के लिए, सबसे महत्वपूर्ण फीचर्स खोजने में मॉडल्स आपकी कैसे मदद कर सकते हैं। इस अध्याय के अंतिम लेसन में, आप कई अलग-अलग मॉडलों की सलाह को मिलाकर तय करेंगे कि किन फीचर्स को रखना उचित है।
यह अध्याय सबसे अधिक उपयोग होने वाले dimensionality reduction एल्गोरिदम, Principal Component Analysis (PCA), पर गहराई से केंद्रित है। आप समझ विकसित करेंगे कि यह एल्गोरिदम कैसे और क्यों इतना प्रभावी है, और इसे डेटा exploration तथा modeling pipeline में pre-processing दोनों के लिए लागू करेंगे। अंत में, आप एक बढ़िया image compression use case पर काम करेंगे।