Feature Engineering en Français

Ce cours présente les avantages liés à l'utilisation de Vertex AI Feature Store, ainsi que la manière d'améliorer la précision des modèles de ML et de déterminer les colonnes de données présentant les caractéristiques les plus utiles. Ce cours inclut également du contenu et des ateliers portant sur l'ingénierie des caractéristiques à l'aide de BigQuery ML, Keras et TensorFlow.

• Introduction
• Ce module présente le cours et ses objectifs.
• Présentation de Vertex AI Feature Store
• Ce module présente Vertex AI Feature Store.
• Des données brutes aux caractéristiques
• L'ingénierie des caractéristiques est souvent la phase la plus longue et la plus difficile du développement de votre projet de ML. Dans le processus d'ingénierie des caractéristiques, vous partez de vos données brutes et utilisez votre propre connaissance du domaine pour créer des caractéristiques qui feront fonctionner vos algorithmes de ML. Dans ce module, nous explorerons ce qui constitue une bonne caractéristique et découvrirons comment la représenter dans votre modèle de ML.
• Feature Engineering
• Ce module examine les différences entre le machine learning et les statistiques, et comment effectuer une ingénierie des caractéristiques dans BigQuery ML et Keras. Nous aborderons également certaines pratiques avancées d'ingénierie des caractéristiques.
• Prétraiter et créer des caractéristiques
• Dans ce module, vous en apprendrez plus sur Dataflow, une technologie complémentaire d'Apache Beam. Grâce à ces deux technologies, vous pouvez créer et accéder à des fonctionnalités de prétraitement et d'ingénierie des caractéristiques.
• Croisements de caractéristiques – TensorFlow Playground
• Dans le machine learning traditionnel, les croisements de caractéristiques ne jouent pas un rôle très important, mais dans les méthodes modernes, ils constituent un outil à la valeur inestimable. Dans ce module, vous apprendrez à reconnaître les types de problèmes pour lesquels les croisements de caractéristiques constituent un outil puissant aidant les machines à apprendre.
• Introduction à TensorFlow Transform
• TensorFlow Transform (tf.Transform) est une bibliothèque de prétraitement des données avec TensorFlow qui est utile pour les prétraitements nécessitant un passage complet des données, comme : - la normalisation d'une valeur d'entrée par la moyenne et l'écart type - la conversion de chaînes en nombres entiers en générant un vocabulaire sur toutes les valeurs d'entrée - la segmentation des entrées basées sur la distribution des données observées Dans ce module, nous allons explorer les cas d'utilisation de tf.Transform.
• Résumé
• Ce module est un résumé du cours "Feature Engineering".