Balıklama dalmadan önce problemini biraz tanı! Ardından veri kümeni istatistiksel ve görsel olarak nasıl inceleyeceğini öğren!

Nereden Başlamalı?

Nereden başlamalı?

Sürümü Kontrol Et

Veriyi içe aktar

Bir Problemi Tanımlamak

Neyi tahmin ediyoruz?

Veri Yüklemesini Doğrulama

Veri Tiplerini Doğrulama

Veriyi Görsel Olarak İnceleme / EDA

Corr() Kullanımı

Görselleştirme Kullanımı: distplot

Görselleştirmeler Kullanma: lmplot

Keşifsel Veri Analizi

Gerçek veriler nadiren temiz ve analize hazırdır. Bu bölümde gereksiz bilgileri kaldırmayı, eksik değerleri ele almayı ve analizine ek veriler katmayı öğreneceksin.

Veri silme

Bir sütun listesini düşürme

Kayıtları kaldırmak için metin filtreleri kullanma

Sayısal alanları koşullu filtreleme

Veriyi Ayarlama

Özel Yüzde Ölçekleme

Ölçekleyicilerini ölçeklemek

Sağa Çarpık Veriyi Düzeltme

Eksik Verilerle Çalışma

Eksik Veriyi Görselleştirme

Eksik Veriyi Atama

Eksik Yüzdelerini Hesapla

Daha Fazla Veri Elde Etme

Tehlikeli Bir Join

Spark SQL Join

Hatalı Join’leri Kontrol Etme

Spark Fonksiyonlarıyla Düzenleme

Bu bölümde, Machine Learning modelinin öğrenmesi için yeni özellikler oluşturmayı öğreneceksin. Alanları birleştirerek üretme, dağınık sütunlardan değer çıkarma ya da daha iyi sonuçlar için kodlama yapma gibi yöntemlere bakacağız.

Özellik Oluşturma

Farklar

Oranlar

Daha Derin Özellikler

Zaman Özellikleri

Zaman Bileşenleri

Zaman Bileşenleri Üzerinden Join

Tarih Matematiği

Özellik Çıkarma

Metinden Yeni Özellikler Çıkarmak

Bölme ve Patlatma

Pivot ve Join

İkili Dönüşüm, Kovaya Ayırma ve Kodlama

Haftanın Gününü Binarize Etme

Kovalama (Bucketing)

One Hot Encoding

Özellik Mühendisliği

Bu bölümde hangi tür modeli seçeceğimizi öğreneceğiz. Sonra verimizi modele uygulayıp değerlendirmeyi göreceğiz. Son olarak, sonuçları nasıl yorumlayacağımızı ve modeli daha sonra kullanmak üzere nasıl kaydedeceğimizi öğreneceğiz!

Algoritmayı Seçmek

Hangi MLlib Modülü?

Zaman Bölmeleri Oluşturma

Zaman Özelliklerini Ayarlama

RFR için Özellik Mühendisliği Varsayımları

Random Forest'lar için Özellik Mühendisliği

Düşük Gözleme Sahip Sütunları Kaldırma

Eksik ve Kategorik Değerleri Safça Ele Alma

Bir Model Oluşturma

Bir Regresyon Modeli Kurma

Algoritmaları Değerlendirme ve Karşılaştırma

Metrikleri Anlamak

Yorumlama, Kaydetme ve Yükleme

Sonuçları Yorumlama

Modelleri Kaydetme ve Yükleme

Son Düşünceler

Model Kurma

2017 St Paul MN Real Estate Dataset

Gerçek dünya dağınıktır ve senin görevin buna anlam kazandırmaktır. MTCars ve Iris gibi oyuncak veri kümeleri bile özenli bir derleme ve temizlemenin ürünüdür; yine de güçlü Machine Learning algoritmalarının anlam çıkarması, tahmin, sınıflandırma veya kümeleme yapabilmesi için verinin dönüştürülmesi gerekir. Bu derste veri bilimcilerin zamanlarının %70-80’ini harcadığı ayrıntılara odaklanacağız: veri düzenleme ve özellik mühendisliği. Veri kümelerinin boyutu giderek büyürken, gel bu Büyük Veri sorununu küçültmek için PySpark kullanalım!

Supervised Learning with scikit-learn

Introduction to PySpark

PySpark ile veri düzenleme ve özellik mühendisliği yaparak Büyük Veri sorunlarını çözmeyi öğrenin.

PySpark ile Özellik Mühendisliği

Veri Bilimcilerin zamanlarının %70-80’ini harcadığı zorlu ayrıntıları öğrenin; veri düzenleme ve özellik mühendisliği.

PySpark ile Büyük Veri

Hangi MLlib Modülü?

PySpark ile Özellik Mühendisliği

Uygulamalı etkileşimli egzersiz