Feature Engineering em Português Brasileiro

Overview

Class Central Tips

O curso apresenta os benefícios de usar a Vertex AI Feature Store e ensina a melhorar a acurácia dos modelos de ML e a identificar as colunas de dados que apresentam os atributos mais úteis. Ele também oferece conteúdo teórico e laboratórios sobre engenharia de atributos com BigQuery ML, Keras e TensorFlow.

Syllabus

Introdução ao curso

Neste módulo, apresentamos uma visão geral do curso e dos objetivos.

Introdução à Vertex AI Feature Store

Este módulo apresenta a Vertex AI Feature Store.

De dados brutos a atributos

A engenharia de atributos costuma ser a fase mais demorada e difícil da criação dos projetos de ML. Esse processo começa pelos dados brutos, e você usa seu próprio conhecimento sobre domínios para criar atributos que vão fazer seus algoritmos de machine learning funcionarem. Neste módulo, vamos conferir o que caracteriza um bom atributo e como fazer a representação deles no seu modelo de ML.

Engenharia de atributos

Neste módulo, analisamos as diferenças entre machine learning e estatística, além de mostrar como executar a engenharia de atributos no BigQuery ML e no Keras. Também vamos abordar algumas práticas avançadas desse processo.

Pré-processamento e criação de atributos

Neste módulo, você vai saber mais sobre o Dataflow, uma tecnologia complementar do Apache Beam. Ambos podem ajudar você a criar e executar o pré-processamento e a engenharia de atributos.

Cruzamentos de atributos – TensorFlow Playground

Os cruzamentos de atributos não têm um papel muito significativo nos processos tradicionais de machine learning. Porém, para os métodos de ML atuais, eles são uma parte essencial do seu kit de ferramentas. Neste módulo, você vai aprender a reconhecer os tipos de problemas em que os cruzamentos de atributos desempenham um papel importante no machine learning.

Introdução ao TensorFlow Transform

"O TensorFlow Transform (tf.Transform) é uma biblioteca de pré-processamento de dados com o TensorFlow. O tf.Transform é útil para os pré-processamentos que exigem uma passagem completa dos dados, como: • normalizar um valor de entrada por média e stdev; • transformar strings em números inteiros ao gerar um vocabulário com a verificação de todos os exemplos de entrada dos valores; • separar as entradas em buckets com base na distribuição de dados que foi observada. Neste módulo vamos apresentar os casos de uso do tf.Transform."