Feature Engineering - Italiano

Overview

Questo corso illustra i vantaggi dell'utilizzo di Vertex AI Feature Store, come migliorare l'accuratezza dei modelli di ML e come trovare le colonne di dati che forniscono le caratteristiche più utili. Il corso include inoltre contenuti e lab sul feature engineering utilizzando BigQuery ML, Keras e TensorFlow.

Syllabus

Introduzione

Questo modulo fornisce una panoramica del corso e dei suoi obiettivi.

Introduzione a Vertex AI Feature Store

Questo modulo introduce Vertex AI Feature Store.

Dai dati non elaborati alle caratteristiche

Il feature engineering è spesso la fase più lunga e difficile della creazione del tuo progetto di ML. Nel processo di feature engineering, inizi con i tuoi dati non elaborati e utilizzi la tua conoscenza del dominio per creare caratteristiche che faranno funzionare i tuoi algoritmi di machine learning. In questo modulo esploriamo gli elementi che rendono valida una caratteristica e come rappresentarli nel modello di ML.

Feature engineering

Questo modulo analizza le differenze tra machine learning e statistiche e come eseguire il feature engineering sia in BigQuery ML che in Keras. Tratteremo anche alcune pratiche avanzate di feature engineering.

Pre-elaborazione e creazione di caratteristiche

In questo modulo imparerai di più su Dataflow, che è una tecnologia complementare ad Apache Beam: entrambi possono aiutarti a creare ed eseguire preelaborazione e feature engineering.

Incroci di caratteristiche: TensorFlow Playground

Nel machine learning tradizionale, gli incroci di caratteristiche non svolgono un ruolo importante, ma nei metodi di ML moderni, sono una parte inestimabile del tuo toolkit. In questo modulo imparerai a riconoscere i tipi di problemi in cui gli incroci di caratteristiche rappresentano un modo efficace per aiutare le macchine ad apprendere.

Introduzione a TensorFlow Transform

TensorFlow Transform (tf.Transform) è una libreria per la pre-elaborazione dei dati con TensorFlow. tf.Transform è utile per la pre-elaborazione che richiede un passaggio completo dei dati, come ad esempio: normalizzazione di un valore di input tramite mean e stdev; integrazione di un vocabolario esaminando tutti gli esempi di input per valori; suddivisione in bucket degli input in base alla distribuzione dei dati osservati. In questo modulo esploreremo i casi d'uso per tf.Transform.