Course Summary
Learn how to extract, transform, and select features from data to improve the performance of machine learning models in this course on feature engineering.Key Learning Points
- Understand the importance of feature engineering in machine learning
- Learn how to extract, transform, and select features from data
- Explore various techniques and tools for feature engineering
Job Positions & Salaries of people who have taken this course might have
- USA: $113,309
- India: ₹1,203,240
- Spain: €38,000
- USA: $113,309
- India: ₹1,203,240
- Spain: €38,000
- USA: $112,929
- India: ₹1,017,811
- Spain: €36,000
- USA: $113,309
- India: ₹1,203,240
- Spain: €38,000
- USA: $112,929
- India: ₹1,017,811
- Spain: €36,000
- USA: $68,026
- India: ₹600,000
- Spain: €26,000
Related Topics for further study
Learning Outcomes
- Understand the importance of feature engineering in machine learning
- Learn how to extract, transform, and select features from data
- Apply various feature engineering techniques to real-world datasets
Prerequisites or good to have knowledge before taking this course
- Basic understanding of machine learning concepts
- Familiarity with Python programming language
Course Difficulty Level
IntermediateCourse Format
- Online Self-Paced
- Video Lectures
- Assignments
- Quizzes
Similar Courses
- Applied Data Science with Python
- Advanced Machine Learning
Related Education Paths
Notable People in This Field
- Sebastian Thrun
- Andrew Ng
Related Books
Description
機械学習モデルの精度を高める方法や、特に有効な特徴を抽出するためのデータ列の見極め方を知りたい人におすすめのコースです。Feature Engineering on Google Cloud Platform では、良い特徴と悪い特徴の要素について、また、機械学習モデルで最適に使用できるように、特徴を前処理して変換する方法についても取り上げます。
このコースでは実践演習として、インタラクティブなラボを使用し、Google Cloud Platform 内で特徴を選択して前処理を行います。インストラクターが解答のコードについて説明します。解答のコードは、今後、皆さんが自身の ML プロジェクトに取り組む際に参照できるよう、一般公開される予定です。
Outline
- はじめに
- Feature Engineering の概要
- 生データから特徴への変換
- 生データから特徴への変換
- 良い特徴と悪い特徴
- クイズ: 特徴は目的に関係している
- 予測時に知ることができる特徴
- クイズ: 特徴は予測時に知ることができる
- 特徴は数値でなければならない
- クイズ: 特徴は数値でなければならない
- 特徴には十分な例が必要
- クイズ: 特徴には十分な例が必要（p1）
- クイズ: 特徴には十分な例が必要（p2）
- 人間による分析を取り入れる
- 特徴を表す
- 機械学習と統計情報
- ラボでのソリューション: 新しい特徴によるモデル精度の向上
- 生データから特徴への変換
- 特徴の表現
- 前処理と特徴の作成
- 前処理と特徴の作成
- Beam と Dataflow
- ラボの概要: シンプルな Dataflow パイプライン
- ラボでのソリューション: シンプルな Dataflow パイプライン
- スケーラブルなデータ パイプライン
- ラボの概要: Dataflow での MapReduce
- ラボでのソリューション: Dataflow での MapReduce
- Cloud Dataprep による前処理
- ラボの概要: 時間枠で区切られたデータを Cloud Dataprep で処理する
- ラボでのソリューション: 時間枠で区切られたデータを Cloud Dataprep で処理する
- 前処理と特徴の作成
- Apache Beam と Cloud Dataflow
- Cloud Dataprep を使用した前処理
- 特徴断面
- 特徴断面の概要
- 特徴断面とは
- 離散化
- 記憶化と一般化
- タクシーの色
- ラボの概要: 特徴断面を使った適切な分類子の作成
- ラボでのソリューション: 特徴断面を使った適切な分類子の作成
- スパース性 + クイズ
- ラボの概要: 過ぎたるは及ばざるがごとし
- ラボでのソリューション: 過ぎたるは及ばざるがごとし
- 特徴断面の実装
- 特徴断面の埋め込み
- 特徴エンジニアリングを行う場所
- TensorFlow での特徴作成
- DataFlow での特徴作成
- ラボの概要: 特徴エンジニアリングによる機械学習モデルの強化
- ラボでのソリューション（p1）: 機械学習の公正性に関する報告
- ラボでのソリューション（p2）: 特徴エンジニアリングによる機械学習モデルの強化
- 特徴断面
- TF Transform
- TensorFlow 変換について
- TensorFlow 変換
- 分析フェーズ
- 変換フェーズ
- サ―ビングのサポート
- ラボの概要: tf.transform の理解
- ラボでのソリューション: tf.transform の理解
- tf.transform
- まとめ
- まとめ
Summary of User Reviews
Learn about feature engineering in this Coursera course. Users love the practicality of the course and the knowledge gained.Key Aspect Users Liked About This Course
PracticalityPros from User Reviews
- Hands-on practice with real-world datasets
- Insightful lectures and detailed explanations
- Excellent course material and resources
Cons from User Reviews
- Some users found the course too basic
- Limited interaction with the instructor
- No certification available for audit users
Feature Engineering 日本語版
- 0.0
-
![]()
![]()
![]()
![]()
![]()
機械学習モデルの精度を高める方法や、特に有効な特徴を抽出するためのデータ列の見極め方を知りたい人におすすめのコースです。Feature Engineering on Google Cloud Platform では、良い特徴と悪い特徴の要素について、また、機械学習モデルで最適に使用できるように、特徴を前処理して変換する方法についても取り上げます。 このコースでは実践演習として、インタラクティブなラボを使用し、Google Cloud Platform 内で特徴を選択して前処理を行います。インストラクターが解答のコードについて説明します。解答のコードは、今後、皆さんが自身の ML プロジェクトに取り組む際に参照できるよう、一般公開される予定です。 はじめに Feature Engineering の概要 生データから特徴への変換 生データから特徴への変換 良い特徴と悪い特徴 クイズ: 特徴は目的に関係している...
