|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/feature-engineering-es
课程评论：没有评论
课程总结：Feature Engineering en Español 该课程旨在提高人工智能模型的准确性，通过探索如何从原始数据中提取出最有用的特征。课程分为多个模块，涵盖了特征工程的各个阶段。 1. **介绍模块**：提供课程的总体概述及目标。 2. **Vertex AI特征存储介绍**：介绍Vertex AI特征存储的基本概念。 3. **从原始数据到特征**：讲解了特征工程的过程，从原始数据开始，运用领域知识创建有效特征以支持机器学习算法。 4. **特征工程**：分析机器学习与统计学的不同，讨论在BigQuery ML和Keras中如何进行特征工程，并介绍一些高级特征工程技术。 5. **预处理和特征创建**：深入了解Dataflow与Apache Beam的结合应用，帮助执行特征工程和数据预处理。 6. **特征组合：TensorFlow Playground**：阐述在现代机器学习中，特征组合的重要性及其对模型性能的影响。 7. **TensorFlow Transform介绍**：介绍TensorFlow Transform（tf.Transform）库，用于需要完整数据传递的预处理，讲解其用例和应用场景。 8. **总结模块**：对课程内容进行回顾和总结。 通过本课程，学员将掌握特征工程的关键技术，提高其在机器学习项目中的应用能力。
Name:Introducción
Description:En este módulo, se brinda una descripción general del curso y sus objetivos.
Name:Introducción a Vertex AI Feature Store
Description:En este módulo, se presenta Vertex AI Feature Store.
Name:De los datos sin procesar a los atributos
Description:La ingeniería de atributos suele ser la fase más larga y difícil de la creación de proyectos de AA. En el proceso de ingeniería de atributos, se comienza con los datos sin procesar y se utiliza el propio conocimiento del dominio para crear atributos que hagan funcionar los algoritmos de aprendizaje automático. En este módulo, exploramos qué elementos son buenos atributos y cómo representarlos en un modelo de AA.
Name:Ingeniería de atributos
Description:En este módulo, se analizan las diferencias entre el aprendizaje automático y las estadísticas, y cómo realizar ingeniería de atributos en BigQuery ML y Keras. También abordaremos algunas prácticas avanzadas de ingeniería de atributos.
Name:Procesamiento previo y creación de atributos
Description:En este módulo, aprenderá más sobre Dataflow, una tecnología complementaria a Apache Beam. Ambas soluciones pueden ayudar a crear y ejecutar el procesamiento previo y la ingeniería de atributos.
Name:Combinaciones de atributos: TensorFlow Playground
Description:En el aprendizaje automático tradicional, las combinaciones de atributos no desempeñan un rol significativo. Sin embargo, en los métodos modernos de AA, estas son una parte invaluable de su kit de herramientas. En este módulo, aprenderá a reconocer los tipos de problemas en los que las combinaciones de atributos son un medio potente para facilitar el aprendizaje automático.
Name:Introducción a TensorFlow Transform
Description:TensorFlow Transform (tf.Transform) es una biblioteca para el procesamiento previo de datos con TensorFlow que resulta útil cuando este proceso requiere un pase completo de datos. Por ejemplo, normalizar un valor de entrada según la media y la desviación estándar, generar números enteros a partir del vocabulario analizando valores en todos los ejemplos de entrada y agrupar las entradas según la distribución de datos observada. En este módulo, explicaremos los casos de uso de tf.Transform.
Name:Resumen
Description:Este módulo es un resumen del curso Feature Engineering.
¿Quiere saber cómo mejorar la exactitud de los modelos de AA?, ¿cómo puede averiguar qué columnas de datos crean los atributos más útiles? Le damos la bienvenida a Feature Engineering, donde analizaremos los atributos buenos y los malos, y cómo los puede preprocesar y transformar para aprovecharlos al máximo en sus modelos.
