Overview

Save Big on Coursera Plus. 7,000+ courses at $160 off. Limited Time Only!

Grab it

**Wir möchten Sie darüber informieren, dass der Kurs Feature Engineering auf Deutsch am 28. August 2020 geschlossen und nicht mehr angeboten wird.**

Sie möchten erfahren, wie Sie die Genauigkeit Ihrer maschinellen Lernmodelle verbessern oder wie Sie herausfinden, welche Datenspalten die nützlichsten Funktionen ergeben? Willkommen zum Feature Engineering mit der Google Cloud Platform. Wir erörtern in diesem Kurs nützliche und nutzlose Funktionen und wie Sie diese für die optimale Nutzung in Ihren maschinellen Lernmodellen vorverarbeiten und umwandeln.

In praktischen, interaktiven Labs lernen Sie, Funktionen auszuwählen und mit der Google Cloud Platform vorzuverarbeiten. Unsere Kursleiter präsentieren Ihnen die Code-Lösungen, die zu Referenzzwecken auch öffentlich gemacht werden, während Sie an Ihren eigenen zukünftigen ML-Projekten arbeiten.

Syllabus

Einführung
-Sie möchten erfahren, wie Sie die Genauigkeit Ihrer ML-Modelle verbessern oder wie Sie herausfinden, welche Datenspalten die nützlichsten Funktionen ergeben? Willkommen zum Feature Engineering. Wir erörtern in diesem Kurs nützliche und nutzlose Funktionen und wie Sie diese für die optimale Nutzung in Ihren ML-Modellen vorverarbeiten und umwandeln.

Rohdaten in Funktionen umwandeln
-Feature Engineering ist häufig die längste und schwierigste Phase bei der Erstellung eines ML-Projekts. Beim Feature Engineering erstellen Sie aus Ihren Rohdaten und mithilfe Ihres eigenen Domainwissens Funktionen zur Optimierung der ML-Algorithmen. Wir erkunden in diesem Modul, was gute Funktionen ausmacht und wie Sie diese in Ihrem ML-Modell darstellen können.

Vorverarbeitung und Funktionserstellung
-In diesem Abschnitt des Moduls erörtern wir die Vorverarbeitung und die Funktionserstellung. Diese Datenverarbeitungstechniken können Ihnen die Vorbereitung eines Funktionssatzes für ein maschinelles Lernsystem erleichtern.

Kombinierte Funktionen
-Beim herkömmlichen maschinellen Lernen spielen kombinierte Funktionen kaum eine Rolle. Bei modernen ML-Methoden sind sie für Ihr Toolkit jedoch von enormem Wert. In diesem Modul erfahren Sie, wie Sie die Arten von Problemen erkennen, bei denen kombinierte Funktionen für das maschinelle Lernen äußerst effektiv sind.

TensorFlow Transform
-TensorFlow Transform (tf.Transform) ist eine Bibliothek für die Vorverarbeitung von Daten mit TensorFlow. tf.Transform eignet sich für die Vorverarbeitung, wenn eine vollständige Datenübergabe erforderlich ist, wie etwa beim: – Normalisieren eines Eingabewerts mit "mean" und "stdev" – Integrieren eines Vokabulars durch die Suche nach Werten in allen Eingabebeispielen – Zuordnen von Eingaben zu Buckets basierend auf der beobachteten Datenverteilung
In diesem Modul sehen wir uns verschiedene Anwendungsfälle für tf.Transform an.

Zusammenfassung
-Hier eine Zusammenfassung der wichtigsten Punkte dieses Moduls zum Feature Engineering: nützliche Funktionen auswählen, im großen Maßstab vorverarbeiten, kombinierte Funktionen verwenden und mit TensorFlow üben.