or
Bu egzersiz, kursun bir parçasıdır
Boyut azaltma kavramıyla tanışacak ve bunun ne zaman ve neden önemli olduğunu öğreneceksin. Özellik seçimi ile özellik çıkarımı arasındaki farkı anlayacak ve her iki tekniği de veri keşfi için uygulayacaksın. Bölüm, yüksek boyutlu bir veri kümesini görselleştirmeni sağlayan güçlü bir özellik çıkarımı tekniği olan t-SNE dersiyle sona erer.
Geçerli egzersiz
Özellik seçimine dair iki bölümün ilkinde, boyutsallığın lanetini ve boyut azaltmanın bununla nasıl başa çıkmana yardım edebileceğini öğreneceksin. Veri kümesine çok az katma değer sağlayan özellikleri tespit edip kaldırmak için kullanılacak çeşitli tekniklerle tanışacaksın. Bunun nedeni, düşük varyansa sahip olmaları, çok fazla eksik değer içermeleri ya da diğer özelliklerle güçlü şekilde korele olmaları olabilir.
Özellik seçimine dair bu ikinci bölümde, belirli bir hedef özelliği tahmin etmek için bir veri kümesindeki en önemli özellikleri bulmana modellerin nasıl yardım edebileceğini öğreneceksin. Bu bölümün son dersinde, hangi özellikleri tutmaya değer olduğuna karar vermek için birden fazla, farklı modelin önerilerini birleştireceksin.
Bu bölüm, en sık kullanılan boyut azaltma algoritması Principal Component Analysis (PCA) üzerine derinlemesine bir inceleme sunar. Bu algoritmanın nasıl ve neden bu kadar güçlü olduğu konusunda sezgi geliştirecek ve onu hem veri keşfi için hem de bir modelleme hattında veri ön işleme amacıyla uygulayacaksın. Bölümü havalı bir görüntü sıkıştırma kullanım senaryosuyla bitireceksin.