|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/feature-engineering-br
课程评论：没有评论
课程名称：Feature Engineering em Português Brasileiro 课程概述：本课程旨在提高机器学习模型的准确性，探索哪些数据列是最有用的属性。我们将讨论好的和坏的属性，以及它们的预处理和转换，以优化模型。 课程大纲： 1. **课程介绍**：提供本课程的整体概述以及要实现的目标。 2. **Vertex AI 的特征存储简介**：介绍 Vertex AI 的特征存储功能。 3. **从原始数据到属性**：讲解特征工程的关键步骤，如何从原始数据中利用领域知识创造有效特征，以提升机器学习算法的表现。 4. **特征工程**：分析机器学习与统计学之间的差异，并展示如何在 BigQuery ML 和 Keras 中执行特征工程，探讨该过程的一些高级实践。 5. **预处理与属性创建**：介绍 Dataflow 及其作为 Apache Beam 的补充技术，帮助用户进行预处理和特征工程。 6. **属性交叉 - TensorFlow Playground**：尽管属性交叉在传统机器学习中的作用有限，但在现代 ML 方法中却至关重要。本模块将帮助您识别属性交叉在机器学习中发挥重要作用的情境。 7. **TensorFlow Transform 简介**：介绍 TensorFlow Transform (tf.Transform) 库，及其在数据预处理中的应用，如归一化、字符串转整数和基于观察到的数据分布进行分桶。 8. **课程总结**：对整个特征工程课程进行回顾和总结。 本课程适合希望深入了解特征工程及其在机器学习模型优化中的应用的学习者。
Name:Introdução ao curso
Description:Neste módulo, apresentamos uma visão geral do curso e dos objetivos a serem alcançados.
Name:Introdução ao Feature Store da Vertex AI
Description:Este módulo apresenta o Feature Store da Vertex AI.
Name:De dados brutos a atributos
Description:A engenharia de atributos costuma ser a fase mais demorada e difícil da criação dos projetos de ML. Esse processo começa pelos dados brutos, e você usa seu próprio conhecimento sobre domínios para criar atributos que vão fazer seus algoritmos de machine learning funcionarem. Neste módulo, vamos conferir o que caracteriza um bom atributo e como fazer a representação deles no seu modelo.
Name:Engenharia de atributos
Description:Neste módulo, analisamos as diferenças entre o machine learning e as estatísticas, além de mostrar como executar a engenharia de atributos no BigQuery ML e no Keras. Também vamos abordar algumas práticas avançadas desse processo.
Name:Pré-processamento e criação de atributos
Description:Neste módulo, apresentamos informações sobre o Dataflow, uma tecnologia complementar do Apache Beam. Ambos podem ajudar você a criar e executar o pré-processamento e a engenharia de atributos.
Name:Cruzamentos de atributos – TensorFlow Playground
Description:Os cruzamentos de atributos não têm um papel muito significativo nos processos tradicionais de machine learning. Porém, para os métodos de ML atuais, esses tipos de recursos são parte essencial do seu kit de ferramentas. Neste módulo, você vai aprender a reconhecer os tipos de problemas em que os cruzamentos de atributos desempenham um papel importante no machine learning.
Name:Introdução ao TensorFlow Transform
Description:O TensorFlow Transform (tf.Transform) é uma biblioteca de pré-processamento de dados com o TensorFlow. O tf.Transform é útil para os pré-processamentos que exigem uma passagem completa dos dados, como: • normalizar um valor de entrada por média e stdev; • transformar strings em números inteiros ao gerar um vocabulário com a verificação de todos os exemplos de entrada dos valores; • separar as entradas em buckets com base na distribuição de dados que foi observada. Neste módulo vamos apresentar os casos de uso do tf.Transform.
Name:Resumo
Description:Este módulo é um resumo do curso Feature Engineering
Quer saber como melhorar a acurácia dos modelos de ML e quais colunas de dados são os atributos mais úteis? Neste curso Feature Engineering, abordaremos os atributos bons e ruins, bem como o pré-processamento e a transformação deles para otimizar os modelos.
