Feature Engineering - Italiano
Offered By: Google Cloud via Coursera
Course Description
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.
- Riepilogo
- Questo modulo è un riepilogo del corso Feature Engineering.
Taught by
Google Cloud Training
Related Courses
Introduction to Artificial IntelligenceStanford University via Udacity Natural Language Processing
Columbia University via Coursera Probabilistic Graphical Models 1: Representation
Stanford University via Coursera Computer Vision: The Fundamentals
University of California, Berkeley via Coursera Learning from Data (Introductory Machine Learning course)
California Institute of Technology via Independent