Feature Engineering - Italiano

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.

• 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.