Vytváření atributů pro Machine Learning v Pythonu
- Level
- Kapitol
- 41
- Kategorie
- Programování
- Hodnocení
- 5,0 z 5
- Délka
- 6h 19min
- Jazyk
- SK
Popis online kurzu Vytváření atributů pro Machine Learning v Pythonu
Kurz Vytváření atributů pro Machine Learning v Pythonu vás naučí, jak přeměnit syrová data na hodnotné atributy, které výrazně zlepší výkonnost modelů strojového učení.
V úvodní části kurzu se dozvíte, proč je třeba data upravit před jejich použitím v prediktivních modelech – tento proces nazýváme „feature engineering“. Budeme pracovat v knihovně scikit-learn, která je světovým standardem v oblasti tvorby modelů strojního učení.
Pomocí této knihovny budete tvořit z číselných hodnot numerické atributy a naučíte se, jak vyřešit extrémní hodnoty (outliers), které se v datech mohou nacházet. Protože prediktivní modely neumí pracovat s daty, která jsou ve formě textu, jako je například „žlutá“, „oranžová“, „červená“, naučíte se jak tyto hodnoty přeměnit na čísla. V závěru kurzu si vysvětlíme, že ne všechny atributy, které jsme vytvořili, je vhodné použít v prediktivním modelu. Naučíte se techniky pro výběr těch atributů, které mohou být pro model hodnotné v procesu nazvaném “feature selection”.
Po absolvování tohoto kurzu budete tedy vědět vše potřebné pro správné vytváření a vyjmutí atributů pro vytvoření silných a robustních prediktivních modelů.
Víme, že nejlépe se člověk naučí nové dovednosti jejich praktikováním, a proto je pro vás připraveno 7 praktických programovacích cvičení v Jupyter noteboocích s úkoly a vysvětleními jednotlivých konceptů.
V úvodní části kurzu se dozvíte, proč je třeba data upravit před jejich použitím v prediktivních modelech – tento proces nazýváme „feature engineering“. Budeme pracovat v knihovně scikit-learn, která je světovým standardem v oblasti tvorby modelů strojního učení.
Pomocí této knihovny budete tvořit z číselných hodnot numerické atributy a naučíte se, jak vyřešit extrémní hodnoty (outliers), které se v datech mohou nacházet. Protože prediktivní modely neumí pracovat s daty, která jsou ve formě textu, jako je například „žlutá“, „oranžová“, „červená“, naučíte se jak tyto hodnoty přeměnit na čísla. V závěru kurzu si vysvětlíme, že ne všechny atributy, které jsme vytvořili, je vhodné použít v prediktivním modelu. Naučíte se techniky pro výběr těch atributů, které mohou být pro model hodnotné v procesu nazvaném “feature selection”.
Po absolvování tohoto kurzu budete tedy vědět vše potřebné pro správné vytváření a vyjmutí atributů pro vytvoření silných a robustních prediktivních modelů.
Víme, že nejlépe se člověk naučí nové dovednosti jejich praktikováním, a proto je pro vás připraveno 7 praktických programovacích cvičení v Jupyter noteboocích s úkoly a vysvětleními jednotlivých konceptů.
Co se v kurzu Vytváření atributů pro Machine Learning v Pythonu naučíte
Celkový obsah kurzu je 6 hodin. Prostředí, ve kterém budete během kurzu programovat se nazývá Jupyter notebooky s Pythonem. Níže je uveden seznam oblastí, kterým se v kurzu věnujeme:
- "Úvod do vytváření atributů": První části kurzu si vysvětlíme proč potřebujeme data upravit předtím než je poskytneme prediktivnímu modelu - tento proces se nazývá "feature engineering".
- „Úvod do stavových transformací a scikit-learn knihovny“: V této části si ukážeme důležitý koncept stavových transformací. Představíme si knihovnu scikit-learn, kterou budeme během programu používat. Tato knihovna je dnes světovým standardem pro vytváření modelů strojního učení.
- “Numerické atributy”: Pomocí různých technik se naučíme jak vytvořit numerické atributy prostřednictvím změny škály původních numerických dat. Také si vysvětlíme, jaké problémy mohou způsobit extrémní hodnoty (outliers) a naučíme se, jak tyto hodnoty odstraňujeme z dat pomocí knihovny feature_engine.
- “Kategorické atributy”: Datasety často obsahují data v podobě krátkého textu, jako například kategorie. Protože prediktivní modely nedokážou s textovými daty pracovat, ukážeme si, jak můžeme text přeměnit na čísla. Naučíte se také pracovat s knihovnou category_encoders, pomocí které umíme definovat pořadí kategorií, které se v datech přirozeně nachází.
- “Atributy času a data”: Datasety často obsahují data, ve kterých je vyjádřen čas události (například, kdy si zákazník zakoupil produkt). Ukážeme si, jak můžeme z těchto dat získat hodnotné atributy.
- “Chybějící hodnoty”: Datasety občas nejsou kompletní. Ukážeme si jak efektivně a vědecky dokážeme vyřešit problémy spojené s chybějícími hodnotami tak, abychom neuškodili našemu prediktivnímu modelu.
- „Vybírání atributů“: Vytvořili jsme již mnoho atributů, a proto je třeba z nich vybrat ty, které jsou pro prediktivní model hodnotné. Ukážeme si základní techniky filtrování a vybírání atributů, které nám pomohou při vytváření silného prediktivního modelu.
Pro koho je kurz Vytváření atributů pro Machine Learning v Pythonu vhodný
Kurz Vytváření atributů pro Machine Learning v Pythonu je vhodný pro všechny, kteří mají předchozí zkušenosti s analýzou dat v Pythonu a chtějí si rozšířit obzory v Data Science. Kurz je pro vás ideální, pokud směřujete v budoucnosti do Data Science pozice, která vyžaduje schopnost vytvářet prediktivní modely. V tomto kurzu získáte nezbytné základy k tomu, abyste pro tyto prediktivní modely uměli správně připravit data, řešit chybějící hodnoty, které se v datasetech častokrát nacházejí a vybrat vhodné atributy.
Pro úspěšné absolvování tohoto kurzu se prosím ujistěte, že splňujete následující požadavky:
Pro úspěšné absolvování tohoto kurzu se prosím ujistěte, že splňujete následující požadavky:
- zvládáte práci s Jupyter notebooky,
- dokážete pracovat s knihovnou pandas a zpracovávat v ní data,
- víte co jsou Numpy pole a zvládáte základní operace s nimi,
- zvládáte středoškolskou matematiku a základy deskriptivní statistiky (průměr, medián, modus, variabilita, atd.).
Kurz je vhodný pro absolventy našeho kurzu “Zpracování dat v Pythonu”.
Co po kurzu dokážete a co si odnesete?
- Praktické zkušenosti s vytvářením atributů, jejich výběrem a se scikit-learn knihovnou, která se využívá v reálném světě v různých odvětvích.
- Dokážete vhodně a správně připravit numerické a kategorické atributy pro použití v prediktivních modelech.
- Dokážete získat hodnotné atributy z datasetů, které obsahují informace o datu a čase.
- Umíte používat techniky k řešení chybějících a extrémních hodnot v datech, která mohou být problém pro prediktivní modely.
- Dokážete aplikovat metody pro vybrání vhodných atributů.
V případě, že směřujete v budoucnosti do Data Science pozice, která vyžaduje schopnost umět tvořit prediktivní modely, můžete přímo pokračovat do našeho dalšího kurzu „Machine learning v Pythonu“, který danou tématiku pokrývá.
Co je zapotřebí k absolvování kurzu?
- Vlastní laptop. Firemní laptop může způsobovat problémy, například, při přístupech na Google Drive prostředí nebo při instalaci knihoven.
- Základní znalost angličtiny: Minimální pasivní znalost na úrovni čtení textu jelikož pro knihovny, o kterých se budeme učit jsou vytvořeny dokumentace v anglickém jazyce. Všechny video tutoriály jsou však ve slovenském 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.
- (doporučeno) Google účet. S Jupyter notebooky doporučujeme pracovat v prostředí Google Colaboratory. V případě, že Google účet nemáte a ani si jej nechcete zakládat, bude k dispozici druhá alternativa pro lokální práci s Jupyter notebooky.
Co všechno s kurzem Vytváření atributů pro Machine Learning v Pythonu získáte
- 7 Jupyter notebooků, ve kterých si nejen prakticky vyzkoušíte jednotlivé koncepty, ale můžete je používat jako osobní referenci ve vašem (budoucím) zaměstnání,
- videotutoriály o 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 Vytváření atributů pro Machine Learning v Pythonu
- garance vrácení peněz do 14 dnů v případě nespokojenosti s kurzem.
Kapitoly online kurzu
Vitajte v kurze! (3)
O tomto kurze
3:31
Nastavovanie prostredia a materiály na stiahnutie
17:55
Nové materiály kurzu
6:28
1. Úvod do vytvárania atribútov (5)
Čo je vytváranie atribútov?
7:48
Modely sa spoliehajú na nás
7:54
Tri piliere vytvárania atribútov
6:11
Atribúty, ktoré budeme vytvárať
16:23
Atribúty, ktoré NEbudeme vytvárať
12:37
2. Úvod do stavových transformácií a scikit-learn knižnice (2)
Stavové transformácie
15:12
Ahoj sklearn!
18:43
3. Numerické atribúty (6)
Základná intuícia numerických atribútov
8:28
Modely a škály
9:51
Škálovanie pomocou knižnice sklearn
17:37
Outliers (extrémne hodnoty)
12:07
Práca s outliermi v sklearn
11:40
Notebook o Numerických atribútoch
2:03
4. Kategorické atribúty (10)
Čo sú kategorické atribúty?
4:07
Kardinalita kategorických atribútov
3:15
Problémy s vysokou kardinalitou
10:36
Enkódovanie kategorického atribútu
6:45
Ordinálne enkódovanie
13:16
Enkódovanie pomocou dedikovaného dátového typu
7:11
One-hot enkódovanie
12:52
Lexicographical enkódovanie
10:13
Vzácne hodnoty v kategorických atribútoch
8:16
Notebook o kategorických atribútoch
2:32
5. Atribúty dátumu a času (1)
Atribúty dátumu a času
5:16
6. Chýbajúce hodnoty (5)
Úvod do chýbajúcich hodnôt
4:59
Stratégie chýbajúcich hodnôt
14:35
Riešenia chýbajúcich hodnôt
18:44
Chýbajúce hodnoty v sklearn
10:20
Notebook o chýbajúcich hodnotách
2:46
7. Vyberanie atribútov (7)
Vyberanie atribútov
8:35
Výber atribútov je dôležitý
10:57
Konštantné a kvázi-konštantné atribúty
10:59
Duplikované a korelované atribúty
10:47
Filter metódy
12:56
Wrapper metódy
8:43
Embedded metódy
3:01
Čo ďalej? (2)
Diskusia a hodnotenie
1:29
Gratulujem! Čo ďalej?
1:37
Lektor online kurzu
Věnuji se datové vědě a umělé inteligenci v praxi firem. Na Skillmea učím vše od základů Pythonu a machine learningu přes generativní AI, Microsoft Copilot a Claude Code až po AI Act a to, jak AI mění práci a vedení lidí. Mým cílem je, abys AI uměl používat rozumně, bezpečně a se skutečným přínosem.
5,0
Hodnocení
12
Kurzů
Hodnocení studentů
Hodnocení od studentů zapsaných v kurzu na Skillmea.
5,0 z 5
· 3 hodnocení
Juraj M.
5
Student ohodnotil kurz bez slovního komentáře.
Lukáš V.
5
Student ohodnotil kurz bez slovního komentáře.
Marieta P.
5
Student ohodnotil kurz bez slovního komentáře.
