Feature Engineering em Português Brasileiro
- 0.0
-
![]()
![]()
![]()
![]()
![]()
Approx. 14 hours to complete
Course Summary
This course on Feature Engineering covers a range of techniques for extracting useful features from raw data to improve machine learning models. Students will learn how to preprocess data, create new features, and select the most relevant features for their models.Key Learning Points
- Understand the importance of feature engineering in machine learning
- Learn how to preprocess data and create new features
- Discover techniques for selecting the most relevant features for your models
Related Topics for further study
Learning Outcomes
- Ability to preprocess raw data for machine learning
- Knowledge of multiple techniques for feature engineering
- Ability to select the most relevant features for machine learning models
Prerequisites or good to have knowledge before taking this course
- Basic knowledge of Python programming
- Familiarity with machine learning concepts
Course Difficulty Level
IntermediateCourse Format
- Online self-paced
- Video lectures
- Hands-on projects
Similar Courses
- Data Preprocessing in Python
- Feature Selection for Machine Learning
- Applied Data Science Capstone
Related Education Paths
Notable People in This Field
- Co-founder of Coursera and Founder of deeplearning.ai
- Research Scientist at Google Brain
Related Books
Description
Quer aprender a melhorar a precisão dos seus modelos de aprendizado de máquina? Que tal descobrir quais colunas de dados criam os atributos mais úteis? Damos as boas-vindas ao curso Feature Engineering no Google Cloud Platform. Falaremos sobre a diferença entre atributos bons e ruins, além de como pré-processar e transformar essas variáveis para o uso ideal nos seus modelos de aprendizado de máquina.
Outline
- Introdução
- Introdução à engenharia de atributos
- De dados brutos a atributos
- Dados brutos para os atributos
- Atributos bons x ruins
- Questionário: os atributos são relacionados ao objetivo
- Atributos conhecidos no momento da previsão
- Questionário: os atributos são conhecidos no momento da previsão
- Os atributos devem ser numéricos
- Questionário: os atributos devem ser numéricos
- Os atributos precisam ter exemplos suficientes
- Questionário: os atributos precisam ter exemplos suficientes (p1)
- Questionário: os atributos precisam ter exemplos suficientes (p2)
- Como trazer a percepção humana
- Como representar os atributos
- Aprendizado de máquina x estatísticas
- Solução do laboratório: como melhorar a precisão do modelo com novos atributos
- De dados brutos a atributos
- Como representar atributos
- Pré-processamento e criação de atributos
- Pré-processamento e criação de atributos
- Beam e Dataflow
- Introdução ao laboratório: canal simples do Dataflow
- Solução do laboratório: canal simples do Dataflow
- Canais de dados que podem ser escalonados
- Introdução ao laboratório: MapReduce no Dataflow
- Solução do laboratório: MapReduce no Dataflow
- Pré-processamento com o Cloud Dataprep
- Introdução ao laboratório: computação de atributos definidos pelo intervalo de tempo no Cloud Dataprep
- Solução do laboratório: computação de atributos definidos pelo intervalo de tempo no Cloud Dataprep
- Pré-processamento e criação de atributos
- Apache Beam e Cloud Dataflow
- Pré-processamento com o Cloud Dataprep
- Cruzamento de atributos
- Introdução ao cruzamento de atributos
- O que é o cruzamento de atributos?
- Discretização
- Memorização x generalização
- Cores da taxonomia
- Introdução ao laboratório: cruzamentos de atributos para criar um bom classificador
- Solução do laboratório: cruzamentos de atributos para criar um bom classificador
- Esparsidade + questionário
- Introdução ao laboratório: às vezes menos é mais
- Solução do laboratório: às vezes menos é mais
- Implementação de cruzamento de atributos
- Incorporação de cruzamento de atributos
- Onde aplicar a engenharia de atributos
- Criação de atributos no TensorFlow
- Criação de atributos no DataFlow
- Introdução ao laboratório: como melhorar um modelo de aprendizado de máquina com a engenharia de atributos
- Solução do laboratório (p1): questionário imparcial sobre o AM
- Solução do laboratório (p2): como melhorar um modelo de AM com a engenharia de dados
- Cruzamento de atributos
- TF Transform
- Introdução à transformação no TensorFlow
- Transformação no TensorFlow
- Fase de análise
- Fase de transformação
- Serviços de suporte
- Introdução ao laboratório: como usar o tf.transform
- Solução do laboratório: como usar o tf.transform
- tf.transform
- Resumo
- Resumo
Summary of User Reviews
Discover the art of feature engineering with this comprehensive course on Coursera. Learn how to extract the most important features from your data and create effective models. Users praise the course for its comprehensive coverage of the topic and engaging teaching style.Key Aspect Users Liked About This Course
Many users appreciate the practical nature of the course, which has helped them to apply the concepts in real-world scenarios.Pros from User Reviews
- Extensive coverage of feature engineering and related techniques
- Practical examples and exercises help to reinforce learning
- Engaging and knowledgeable instructors provide helpful guidance
- Flexible scheduling and self-paced learning options
- Great value for the price
Cons from User Reviews
- Some users may find the course content to be too basic or not challenging enough
- The course may be overwhelming for those without prior experience in data analysis or machine learning
- Limited interaction with other students or instructors
- Some technical issues with the online platform have been reported
- No official certification or recognition for completing the course
Feature Engineering em Português Brasileiro
- 0.0
-
![]()
![]()
![]()
![]()
![]()
Quer aprender a melhorar a precisão dos seus modelos de aprendizado de máquina? Que tal descobrir quais colunas de dados criam os atributos mais úteis?...
