Pokročilé vytváření atributů pro Machine Learning v Pythonu

Popis online kurzu Pokročilé vytváření atributů pro Machine Learning v Pythonu

Co se v kurzu Pokročilé vytváření atributů pro Machine Learning v Pythonu naučíte

Kategorické atributy

• Enkódování pomocí sumární statistiky, kde kategorie nahradíme statistickými vlastnostmi ze vstupního atributu.
• Základní Target Encoding, tedy nahrazování kategorií očekávanou hodnotou cílové proměnné.
• Weight of Evidence (WoE) a Leave-one-out Encoding, dvě pokročilé techniky využívané hlavně ve finančnictví a risk modelování.
• Použití CatBoost Encoderu, který kombinuje výhody více přístupů.
• Feature Cross, tedy tvorbu interakcí mezi kategorickými atributy, což může výrazně zlepšit schopnosti modelů zachytit komplexní vzory v datech.
• V bonusové sekci si ukážeme také méně tradiční metody jako String Similarity Encoding, Binary Encoding, Hashing Encoder, Polynomial Encoding nebo Helmert Encoding.

Numerické atributy

• Stabilizovat rozptyl numerických dat, aby modely lépe generalizovaly.
• Používat polynomy a splines, které jsou specifické pro zlepšování výkonu lineárních modelů.
• Diskretizovat numerické atributy - měnit číselná data na kategorie tam, kde je to výhodné.
• Vytvářet interakce mezi numerickými atributy, čímž rozšíříme prostor modelu pro zachytávání složitých vztahů.
• A na závěr této části si vysvětlíme techniky na redukci dimenzionality, které vám pomohou zjednodušit model a zlepšit jeho výkonnost.

Ostatní atributy

• Tvorbu cyklických atributů, které jsou nezbytné například při práci s daty obsahujícími časové nebo sezónní prvky (měsíce, dny v týdnu apod.).
• Vyjadřovat extrémnost pozorování, což vám umožní efektivně pracovat s anomáliemi a specifickými datovými body.
• V praktických doporučeních na závěr kurzu si shrneme, kdy které techniky využít a jak je správně aplikovat.
  
  

Pro koho je kurz Pokročilé vytváření atributů pro Machine Learning v Pythonu vhodný

Co po kurzu dokážete a co si odnesete?

• Budete umět enkódovat kategorická data pomocí pokročilých technik, která se využívají v reálném světě.
• Zvládnete efektivně vytvářet a kombinovat numerické atributy pro zlepšení výkonnosti modelů.
• Naučíte se detekovat cyklické vzory a správně je zpracovat.
• Budete ovládat techniky ke snížení počtu atributů bez ztráty výkonnosti modelu.
• Budete umět správně vyhodnotit, které metody jsou vhodné pro různé typy problémů.

Má kurz Pokročilé vytváření atributů pro Machine Learning v Pythonu vstupní požadavky?

• zvládat práci v Jupyter noteboocích,
• ovládat knihovny pandas a numpy,
• mít základní znalosti statistiky a strojového učení,
• znát základní techniky vytváření atributů (feature engineering).

Co je zapotřebí k absolvování kurzu?

• Základní znalost angličtiny: Minimální pasivní znalost na úrovni čtení textu protože praktický Jupyter notebook i dokumentace jsou v anglickém jazyce. Všechny video tutoriály jsou však v českém jazyce.
• Stabilní internetové připojení. Pro sledování video lekcí či práci na cvičeních je internetové připojení neustále zapotřebí.
• Aktualizovaný internetový prohlížeč Google Chrome, Microsoft Edge nebo Mozilla Firefox.

Co všechno s kurzem Pokročilé vytváření atributů pro Machine Learning v Pythonu získáte

• Rozsáhlý, praktický Jupyter notebook, ve kterém si nejen prakticky vyzkoušíte jednotlivé koncepty, ale můžete jej používat jako osobní referenci ve vašem (budoucím) zaměstnání,
• video tutoriály o Pokročilém vytváření atributů pro Machine Learning v Pythonu
• moderované diskusní fórum, ve kterém na vaše dotazy odpovídá autor kurzu Róbert Barcík,
• certifikát o absolvování online kurzu Pokročilé vytváření atributů pro Machine Learning v Pythonu
• garance vrácení peněz do 14 dnů v případě nespokojenosti s kurzem.