or
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
บทนี้จะแนะนำแนวคิดเรื่องการลดมิติข้อมูล พร้อมอธิบายว่าเมื่อใดและเพราะเหตุใดจึงมีความสำคัญ คุณจะได้เรียนรู้ความแตกต่างระหว่างการคัดเลือกฟีเจอร์และการสกัดฟีเจอร์ และนำทั้งสองเทคนิคไปใช้ในการสำรวจข้อมูล บทนี้จบด้วยบทเรียนเรื่อง t-SNE ซึ่งเป็นเทคนิคการสกัดฟีเจอร์ที่ทรงพลัง ช่วยให้แสดงผลชุดข้อมูลมิติสูงในรูปแบบภาพได้
แบบฝึกหัดปัจจุบัน
ในบทแรกจากสองบทเรื่องการคัดเลือกฟีเจอร์นี้ คุณจะได้เรียนรู้เกี่ยวกับปัญหาของมิติที่มากเกินไป และวิธีที่การลดมิติข้อมูลช่วยแก้ปัญหานี้ได้ คุณจะได้รู้จักเทคนิคต่าง ๆ สำหรับตรวจจับและคัดออกฟีเจอร์ที่ให้คุณค่าน้อย ไม่ว่าจะเป็นเพราะมีความแปรปรวนต่ำ มีค่าที่ขาดหายไปมาก หรือมีความสัมพันธ์สูงกับฟีเจอร์อื่น
ในบทที่สองเรื่องการคัดเลือกฟีเจอร์นี้ คุณจะได้เรียนรู้วิธีใช้โมเดลช่วยค้นหาฟีเจอร์ที่สำคัญที่สุดในชุดข้อมูลสำหรับการทำนายฟีเจอร์เป้าหมาย ในบทเรียนสุดท้ายของบทนี้ คุณจะได้รวมข้อเสนอแนะจากโมเดลหลายตัวที่แตกต่างกัน เพื่อตัดสินใจว่าฟีเจอร์ใดควรเก็บไว้
บทนี้เจาะลึกอัลกอริทึมลดมิติข้อมูลที่ใช้บ่อยที่สุด ได้แก่ Principal Component Analysis (PCA) คุณจะได้สร้างความเข้าใจเชิงลึกว่าอัลกอริทึมนี้ทำงานอย่างไรและเหตุใดจึงทรงพลัง และจะนำไปใช้ทั้งในการสำรวจข้อมูลและการเตรียมข้อมูลก่อนสร้างโมเดล บทนี้ปิดท้ายด้วยกรณีศึกษาการบีบอัดภาพที่น่าสนใจ