or
यह अभ्यास पाठ्यक्रम का हिस्सा है
कच्चा डेटा अक्सर विश्लेषण के लिए आदर्श रूप में नहीं होता। इस शुरुआती अध्याय में, आप देखेंगे कि कैसे फीचर्स को ट्रांसफ़ॉर्म और क्रिएट करके अपने मॉडल के प्रदर्शन और व्याख्येयता को बेहतर बनाया जा सकता है।
इस अध्याय में, आप सीखेंगे कि मैन्युअल रूप से फीचर्स बदलने से आगे बढ़कर, आप tidyverse के टूल का उपयोग करके प्रोग्रामेटिक तरीके से नए वैरिएबल्स इंजीनियर कर सकते हैं। आप जानेंगे कि यह तरीका आपके मॉडलों की पुनरुत्पादकता को कैसे बेहतर बनाता है और विशेष रूप से तब उपयोगी होता है जब डेटासेट में बहुत सारे फीचर्स हों।
अब आप सीखेंगे कि मॉडल अक्सर डायमेंशनलिटी घटाने और हाई-डायमेंशनल डेटा से फीचर्स निकालने से लाभ उठाते हैं, जिसमें टेक्स्ट डेटा को संख्यात्मक मानों में बदलना, कैटेगोरिकल डेटा को एन्कोड करना, और वैरिएबल्स की प्रेडिक्टिव पावर की रैंकिंग शामिल है। आप principal component analysis, kernel principal component analysis, टेक्स्ट से संख्यात्मक निष्कर्षण, कैटेगोरिकल एन्कोडिंग्स, और वैरिएबल इम्पोर्टेंस स्कोर्स जैसी विधियों का अन्वेषण करेंगे।
आप इस कोर्स का समापन फीचर इंजीनियरिंग और मशीन लर्निंग तकनीकों को सीखकर करेंगे। आप शुरुआत में इस समस्या पर ध्यान देंगे कि किसी मॉडल में उपलब्ध सभी फीचर्स का उपयोग क्यों मुद्दे पैदा कर सकता है, और अप्रासंगिक तथा अनावश्यक फीचर्स की पहचान कर उन्हें हटाना क्यों ज़रूरी है, खासकर lasso और elastic-net जैसी embedded मेथड्स का प्रयोग करके। इसके बाद, आप lasso, ridge, और elastic-net जैसी shrinkage मेथड्स का अध्ययन करेंगे, जो फीचर वेट्स को रेग्युलराइज़ करने या कोएफिशिएंट्स को शून्य पर सेट करके फीचर्स को चुनने में काम आती हैं। अंत में, आप एंड-टू-एंड फीचर इंजीनियरिंग वर्कफ़्लो बनाकर, सीखी हुई अवधारणाओं और फ़ंक्शन्स की समीक्षा करेंगे और एक छोटे से प्रोजेक्ट में अभ्यास करेंगे।
वर्तमान अभ्यास