Inicio
Cursos
Pré-processamento para aprendizado de máquina em Python

Padronização

Este exercício faz parte do curso

Pré-processamento para aprendizado de máquina em Python

IntermediárioNível de habilidade

4.9+

Neste capítulo, você aprenderá exatamente o que significa pré-processar dados. Você dará os primeiros passos em qualquer jornada de pré-processamento, incluindo a exploração de tipos de dados e o tratamento de dados ausentes.

Exercise 1: Introdução ao pré-processamento Exercise 2: Explorando dados ausentes Exercise 3: Eliminação de dados ausentes Exercise 4: Trabalhar com tipos de dados Exercise 5: Explorando tipos de dados Exercise 6: Conversão de um tipo de coluna Exercise 7: Conjuntos de treinamento e teste Exercise 8: Desequilíbrio de classe Exercise 9: Amostragem estratificada

Este capítulo trata da padronização de dados. Geralmente, um modelo faz algumas suposições sobre a distribuição ou a escala de seus recursos. A padronização é uma maneira de fazer com que seus dados se ajustem a essas suposições e melhorem o desempenho do algoritmo.

Exercise 1: Padronização

Exercício atual

Exercise 2: Quando padronizar Exercise 3: Modelagem sem normalização Exercise 4: Normalização de logs Exercise 5: Verificação da variação Exercise 6: Normalização de registros em Python Exercise 7: Escalonamento de dados para comparação de recursos Exercise 8: Dimensionamento de dados - investigando colunas Exercise 9: Dimensionamento de dados - padronização de colunas Exercise 10: Dados e modelagem padronizados Exercise 11: KNN em dados não escalonados Exercise 12: KNN em dados escalonados

Nesta seção, você aprenderá sobre engenharia de recursos. Você explorará diferentes maneiras de criar recursos novos e mais úteis a partir dos que já estão em seu conjunto de dados. Você verá como codificar, agregar e extrair informações de recursos numéricos e textuais.

Exercise 1: Engenharia de recursos Exercise 2: Teste de conhecimento de engenharia de recursos Exercise 3: Identificação de áreas para engenharia de recursos Exercise 4: Codificação de variáveis categóricas Exercise 5: Codificação de variáveis categóricas - binárias Exercise 6: Codificação de variáveis categóricas - one-hot Exercise 7: Recursos numéricos de engenharia Exercise 8: Agregação de recursos numéricos Exercise 9: Extração de componentes de data e hora Exercise 10: Recursos de texto de engenharia Exercise 11: Extração de padrões de string Exercise 12: Vetorização de texto Exercise 13: Classificação de texto usando vetores tf/idf

Este capítulo aborda algumas técnicas diferentes para selecionar os recursos mais importantes do seu conjunto de dados. Você aprenderá a eliminar recursos redundantes, trabalhar com vetores de texto e reduzir o número de recursos em seu conjunto de dados usando a análise de componentes principais (PCA).

Exercise 1: Seleção de recursos Exercise 2: Quando usar a seleção de recursos Exercise 3: Identificação de áreas para seleção de recursos Exercise 4: Remoção de recursos redundantes Exercise 5: Seleção de recursos relevantes Exercise 6: Verificação de recursos correlacionados Exercise 7: Seleção de recursos usando vetores de texto Exercise 8: Explorando vetores de texto, parte 1 Exercise 9: Explorando vetores de texto, parte 2 Exercise 10: Treinamento do Naive Bayes com seleção de recursos Exercise 11: Redução da dimensionalidade Exercise 12: Usando PCA Exercise 13: Treinamento de um modelo com PCA

Agora que você já aprendeu tudo sobre pré-processamento, você testará essas técnicas em um conjunto de dados que registra informações sobre avistamentos de UFO.

Exercise 1: UFOs e pré-processamento Exercise 2: Verificação dos tipos de coluna Exercise 3: Eliminação de dados ausentes Exercise 4: Variáveis categóricas e padronização Exercise 5: Extração de números de cadeias de caracteres Exercise 6: Identificação de recursos para padronização Exercise 7: Engenharia de novos recursos Exercise 8: Codificação de variáveis categóricas Exercise 9: Recursos de datas Exercise 10: Vetorização de texto Exercise 11: Seleção e modelagem de recursos Exercise 12: Selecionando o conjunto de dados ideal Exercise 13: Modelagem do conjunto de dados UFO, parte 1 Exercise 14: Modelagem do conjunto de dados UFO, parte 2 Exercise 15: Parabéns!