特征工程与机器学习
从入门到高级的特征工程实战
学习内容：
- 掌握多种处理缺失数据的技术。
- 将分类变量编码为数值，同时保留有意义的信息。
- 处理不常见、稀有或未知的分类变量。
- 调整变量分布以适配机器学习模型需求。
- 将连续变量离散化。
- 检测和移除异常值。
- 从日期和时间中提取有用特征。
- 使用数学和统计知识创建新特征。
- 将特征工程技术应用于数据科学竞赛和组织中的实际工作。
本课程包括
- 13.5小时随选视频
- 21篇文章
- 3份可下载资源
- 可在手机和电视上访问
- 完成后颁发证书
价格：$74.99
教程评分：4.6/5 （3,346条评价）
教程语言：英文
教程字幕：中英文字幕
课程要求：
- 安装Python和Jupyter Notebook。
- 具备Python编程技能。
- 熟悉NumPy和Pandas。
- 了解机器学习算法。
- 熟悉Scikit-Learn库。
课程描述：
欢迎加入《特征工程与机器学习》，这是一门最全面的特征工程在线课程。本课程将带你学习从变量填充、变量编码、特征转换到离散化等特征工程核心技能，并教会你如何从数据中创建新的特征。无论你是数据科学的新手还是有经验的从业者，这门课程都将帮助你优化数据处理技能，提高模型性能，满足真实世界的项目需求。
通过系统学习，你将掌握特征工程技术的理论与实践，并利用Python及其开源库（包括NumPy、Pandas、Scikit-learn、Feature-engine和Category Encoders）构建优雅高效的数据处理管道。本课程不仅涵盖经典方法，还包括高级技术，如权重证据编码（WoE）、分类变量的单调关系构建等，帮助你在数据科学职业生涯中更进一步。
课程讲师是一名资深数据科学家，同时也是一本专注于特征工程的书籍作者和Python开源库的开发者。通过不断更新内容和代码，本课程始终保持与最新技术趋势同步。立即注册课程，开始你的特征工程学习之旅！
声明：本站所有文章，如无特殊说明或标注，均为本站发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
