Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Die echte Welt ist chaotisch – deine Aufgabe ist es, daraus schlau zu werden. Spielzeug-Datensätze wie MTCars und Iris sind das Ergebnis sorgfältiger Kuratierung und Bereinigung; trotzdem müssen die Daten transformiert werden, damit leistungsstarke Machine-Learning-Algorithmen Bedeutung extrahieren, vorhersagen, klassifizieren oder clustern können. In diesem Kurs geht es um die handfeste Arbeit, mit der Data Scientists 70–80 % ihrer Zeit verbringen: Data Wrangling und Feature Engineering. Da Datensätze immer größer werden, nutzen wir PySpark, um dieses Big-Data-Problem auf eine handliche Größe zu bringen!
Voraussetzungen
Lernprogramm
Kursübersicht
1
Exploratory Data Analysis
Lerne dein Problem kennen, bevor du loslegst! Anschließend erfährst du, wie du deinen Datensatz statistisch und visuell untersuchst.
- Wo fängst du an?50 XP
- Wo fängt man an?50 XP
- Version prüfen100 XP
- Daten laden100 XP
- Ein Problem definieren50 XP
- Was sagen wir voraus?100 XP
- Verifying Data Load100 XP
- Datentypen prüfen100 XP
- Daten visuell inspizieren / EDA50 XP
- corr() verwenden100 XP
- Visualisierungen verwenden: distplot100 XP
- Visualisierungen nutzen: lmplot100 XP
2
Wrangling mit Spark-Funktionen
Reale Daten sind selten sauber und bereit für die Analyse. In diesem Kapitel lernst du, unnötige Informationen zu entfernen, fehlende Werte zu behandeln und zusätzliche Daten in deine Analyse einzubringen.
3
Feature Engineering
In diesem Kapitel lernst du, neue Features zu erstellen, aus denen dein Machine-Learning-Modell lernen kann. Wir sehen uns an, wie man sie durch Kombinieren von Feldern erzeugt, Werte aus unübersichtlichen Spalten extrahiert oder sie für bessere Ergebnisse encodiert.
4
Ein Modell bauen
In diesem Kapitel lernen wir, welchen Modelltyp wir wählen. Dann wendest du unsere Daten auf das Modell an und bewertest es. Zum Schluss lernst du, die Ergebnisse zu interpretieren und das Modell für später zu speichern!
Feature Engineering mit PySpark
Kurs
abgeschlossen
