Course Summary
This course teaches the techniques and tools used to create new features from raw data for machine learning models. Students will learn to identify relevant data, preprocess and transform it, and engineer new features to improve model performance.Key Learning Points
- Learn the process of feature engineering from raw data to improved model performance
- Understand various techniques for preprocessing and transforming data
- Gain experience in creating new features using domain knowledge and automation tools
Related Topics for further study
Learning Outcomes
- Ability to identify relevant data and preprocess it for use in machine learning models
- Experience in creating new features using domain knowledge and automation tools
- Understanding of techniques for evaluating feature importance and selecting the best features for model performance
Prerequisites or good to have knowledge before taking this course
- Basic knowledge of statistics and machine learning
- Familiarity with Python programming language
Course Difficulty Level
IntermediateCourse Format
- Online
- Self-paced
- Video lectures
- Interactive quizzes
Similar Courses
- Applied Data Science: Feature Engineering
- Data Science: Feature Engineering in Python
- Feature Engineering for Machine Learning
Related Education Paths
Notable People in This Field
- Max Kelsen
- Kaggle
- Data Science Central
Related Books
Description
¿Quiere saber cómo mejorar la exactitud de los modelos de AA?, ¿cómo puede averiguar qué columnas de datos crean los atributos más útiles? Le damos la bienvenida a Feature Engineering, donde analizaremos los atributos buenos y los malos, y cómo los puede preprocesar y transformar para aprovecharlos al máximo en sus modelos.
Outline
- Introducción al curso
- Introducción al curso
- Primeros pasos con Google Cloud Platform y Qwiklabs
- De datos sin procesar a atributos
- Descripción general de la ingeniería de atributos
- Desde los datos sin procesar hasta los atributos
- Atributos buenos y atributos malos
- Atributos conocidos en el momento de la predicción
- Los atributos deben ser numéricos
- Los atributos deben tener suficientes ejemplos
- Incorporación de percepciones humanas
- Representación de atributos
- AA y estadísticas
- Introducción al lab: Ingeniería de atributos básica en BQML
- Introducción al lab: Ingeniería de atributos básica en Keras
- Recursos
- De datos sin procesar a atributos y Atributos buenos y atributos malos
- Momento de la predicción, atributos numéricos, suficientes ejemplos, percepciones humanas
- Preguntas sobre la representación de atributos
- Ingeniería de atributos
- Preprocesamiento y creación de atributos
- Beam y Dataflow
- Introducción al lab: Canalización simple de Dataflow
- Solución del lab: Canalización simple de Dataflow
- Canalizaciones de datos que escalan
- Introducción al lab: MapReduce en Dataflow
- Solución del lab: MapReduce en Dataflow
- Procesamiento previo con Cloud Dataprep
- Introducción al lab: Cómo procesar atributos con ventanas de tiempo en Cloud Dataprep
- Solución del lab: Cómo procesar atributos con ventanas de tiempo en Cloud Dataprep
- Recursos
- Apache Beam y Cloud Dataflow
- Preprocesamiento con Cloud Dataprep
- Combinaciones de atributos
- Introducción a las combinaciones de atributos
- ¿Qué es una combinación de atributos?
- Discretización
- Memorización y generalización
- Colores de taxis
- Introducción al lab: Combinaciones de atributos para crear un buen clasificador
- Solución del lab: Combinaciones de atributos para crear un buen clasificador
- Dispersión y test
- Introducción al lab: Algo bueno en exceso
- Solución del lab: Algo bueno en exceso
- Implementación de combinaciones de atributos
- Incorporación de combinaciones de atributos
- Creación de atributos en TensorFlow
- Creación de atributos en Dataflow
- Introducción al lab: Mejore los modelos de AA con la ingeniería de atributos
- Solución del lab: Informe de equidad del AA
- Introducción al lab: Ingeniería de atributos avanzada en BQML
- Introducción al lab: Ingeniería de atributos avanzada en Keras
- Recursos
- Combinaciones de atributos
- Cuestionario del módulo
- TensorFlow Transform
- Introducción a TensorFlow Transform
- TensorFlow Transform
- Fase de análisis
- Fase de transformación
- Asistencia para la entrega
- Introducción al lab: Cómo explorar tf.Transform
- Recursos
- tf.transform
- Resumen
- Resumen
- Recursos: Lecturas recopiladas en archivos PDF
- Todas las preguntas del cuestionario en un archivo PDF
- Diapositivas del curso
- Cuestionario del curso
Summary of User Reviews
Discover the art of Feature Engineering with Coursera's course! Students rave about this course's in-depth exploration of the subject and engaging presentation style. Many agree that the course offers practical knowledge and is well-structured for beginners and experts alike.Key Aspect Users Liked About This Course
Practical knowledgePros from User Reviews
- Great course for beginners and experts
- Engaging presentation style
- In-depth exploration of the subject
- Well-structured content
- Practical knowledge
Cons from User Reviews
- Some concepts may be challenging to understand without prior knowledge
- Some quizzes may be too difficult for beginners
- The course may be too brief for some users' needs
- Some users may prefer a more hands-on approach to learning
- The course may be too theoretical for some users' preferences
Google Cloud Training
4.5 Raiting
Feature Engineering en Français
- 0.0
-
![]()
![]()
![]()
![]()
![]()
Vous souhaitez découvrir comment améliorer la précision de vos modèles de machine learning (ML) ? Vous voulez identifier les colonnes de données offrant les caractéristiques les plus utiles ?...
Structured Database Environments with SQL
- 0.0
-
![]()
![]()
![]()
![]()
![]()
Discover Structured Query Language (SQL) programming basics in relation to database management and data manipulation. In addition, you’ll construct and analyze queries to address data requirements....
The Math of Data Science: Linear Algebra
- 0.0
-
![]()
![]()
![]()
![]()
![]()
This course is an introduction to linear algebra. We will be emphasizing the vocabulary throughout, so that students become comfortable working with the different aspects....
Discrete Time Signals and Systems
- 0.0
-
![]()
![]()
![]()
![]()
![]()
Enter the world of signal processing: analyze and extract meaning from the signals around us! Coming Soon February 2021. Coaching S....
