Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
O mundo real é bagunçado e seu trabalho é dar sentido a ele. Conjuntos de dados de exemplo como MTCars e Iris são fruto de cuidadosa curadoria e limpeza; ainda assim, os dados precisam ser transformados para que algoritmos de machine learning possam extrair significado, prever, classificar ou agrupar. Este curso vai cobrir os detalhes práticos nos quais cientistas de dados passam 70–80% do tempo: tratamento de dados e engenharia de atributos. Como os conjuntos de dados estão cada vez maiores, vamos usar PySpark para reduzir esse problema de Big Data ao tamanho certo!
Pré-requisitos
Programa de estudos
Descrição do curso
1
Análise Exploratória de Dados
Entenda um pouco do seu problema antes de começar! Depois, aprenda a inspecionar seu conjunto de dados de forma estatística e visual!
- Por onde começar50 XP
- Por onde começar?50 XP
- Verificar versão100 XP
- Carregar os dados100 XP
- Definindo um problema50 XP
- O que estamos prevendo?100 XP
- Verificando a carga de dados100 XP
- Verificando tipos de dados100 XP
- Inspecionando dados visualmente / EDA50 XP
- Usando Corr()100 XP
- Usando visualizações: distplot100 XP
- Usando visualizações: lmplot100 XP
2
Tratamento com Funções do Spark
Dados reais raramente estão limpos e prontos para análise. Neste capítulo, você vai aprender a remover informações desnecessárias, lidar com valores ausentes e adicionar dados extras à sua análise.
3
Engenharia de Atributos
Neste capítulo, você vai aprender a criar novos atributos para o seu modelo de machine learning aprender melhor. Vamos gerar atributos combinando campos, extraindo valores de colunas desorganizadas e codificando-os para obter resultados superiores.
4
Construindo um Modelo
Neste capítulo, vamos aprender a escolher o tipo de modelo que queremos. Em seguida, vamos aplicar nossos dados ao modelo e avaliá-lo. Por fim, vamos interpretar os resultados e salvar o modelo para usar depois!
Feature Engineering com PySpark
Curso
concluído
