Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
El mundo real es desordenado y tu trabajo es darle sentido. Conjuntos de datos de juguete como MTCars e Iris son el resultado de una cuidadosa selección y limpieza; aun así, hay que transformarlos para que los potentes algoritmos de Machine Learning puedan extraer significado, predecir, clasificar o agrupar. Este curso cubrirá los detalles prácticos a los que los data scientists dedican el 70-80% de su tiempo: preparación de datos e ingeniería de características. Como los conjuntos de datos son cada vez más grandes, ¡usemos PySpark para reducir a tamaño este problema de Big Data!
Requisitos previos
Programa de formación
Esquema del curso
1
Análisis exploratorio de datos
Conoce un poco tu problema antes de ponerte manos a la obra. Luego aprende a inspeccionar tu conjunto de datos de forma estadística y visual.
- Por dónde empezar50 XP
- ¿Por dónde empezar?50 XP
- Comprobar la versión100 XP
- Carga los datos100 XP
- Definir un problema50 XP
- ¿Qué estamos prediciendo?100 XP
- Verificar la carga de datos100 XP
- Verificar tipos de datos100 XP
- Inspección visual de datos / EDA50 XP
- Usar Corr()100 XP
- Usar visualizaciones: distplot100 XP
- Usar visualizaciones: lmplot100 XP
2
Limpieza con funciones de Spark
Los datos reales rara vez están limpios y listos para analizar. En este capítulo aprenderás a eliminar información innecesaria, gestionar valores faltantes y añadir datos adicionales a tu análisis.
3
Ingeniería de características
En este capítulo aprenderás a crear nuevas características de las que tu modelo de Machine Learning pueda aprender. Veremos cómo generarlas combinando campos, extrayendo valores de columnas desordenadas o codificándolas para obtener mejores resultados.
4
Construcción de un modelo
En este capítulo aprenderemos a elegir qué tipo de modelo queremos. Después aplicaremos nuestros datos al modelo y lo evaluaremos. Por último, aprenderemos a interpretar los resultados y a guardar el modelo para más adelante.
Ingeniería de características con PySpark
Curso
completado
