29人加入学习
Python特征工程实战
价格 ¥ 199.00
抱歉,该课程为限制课程,请联系客服
课程介绍

关于课程的相关教材,可以登录注册登录云教材https://book.tipdm.org/,进行搜索你所需的教材相关资源包,丰富你的课堂体验。

Python特征工程实战》

  • 课程简介

Python特征工程实战》课程由浅及深,从介绍特征工程基础概念开始,采用具体案例数据讲解数据预处理、特征处理的方法,实践与理论相结合,最后以《表情识别》案例练习巩固前面所学习的知识。

通过学习本课程可掌握特征工程的概念、数据预处理、特征构建、特征选择、降维与特征转换、特征学习的主要方法和技能,并后续相关课程学习及将来从事数据分析工作奠定基础。

  • 课时数

理论教学24学时,实践教学24学时,总计48学时

  • 课程资源

包含份实训指导书65个课程视频、7份课程PPT、6个代码5个数据。

  • 课程内容
  1. 特征工程介绍:

1.1 特征工程是什么

1.2 特征工程效果评估

1.3 定性还是定量

1.4 数据的4个等级介绍

1.5 数据的4个等级演示

  1. 数据预处理:

2.1 探索性数据分析

2.2 探究不同类别样本的血糖浓度

2.3 缺失值探索

2.4 删除缺失值

2.5 构建基线模型

2.6 网格搜索优化

2.7 利用0进行缺失值填充的模型性能

2.8 利用均值进行缺失值填充的模型性能

2.9 标准化和归一化介绍

2.10 结合机器学习流水线进一步优化

2.11 数据预处理小结

  1. 特征构建:

3.1 特征构建引言

3.2 分类数据的填充

3.3 自定义分类数据填充器

3.4 自定义定量数据填充器

3.5 编码定类数据

3.6 编码定序变量

3.7 连续变量分箱

3.8 在流水线中封装预处理操作

3.9 拓展数值特征的模型基线

3.10 多项式特征模型性能

  1. 特征选择:

4.1 特征选择介绍

4.2 数据导入及探索

4.3 基于皮尔逊相关系数的特征选择

4.4 特征选择前后模型性能比较

4.5 基于假设检验的特征选择

4.6 基于树的特征选择

4.7 特征选择后模型性能探索

4.8 基于线性模型的特征选择

4.9 小结

  1. 降维与特征转换:

5.1 特征转换介绍

5.2 主成分分析(PCA)介绍

5.3 PCA工作流程实现

5.4 PCA方差分析

5.5 利用sklearn实现PCA

5.6 深入解释PCA之相关性探究

5.7 深入解释PCA之线性变换

5.8 深入解释PCA之数据分布探索

5.9 PCA小结

5.10 LDA工作流程及实现

5.11 sklearn实现LDA

5.12 LDA数据分布探索

5.13 应用特征转换

5.14 小结

  1. 特征学习:

6.1 特征学习介绍

6.2 受限玻尔兹曼机(RBM)工作原理

6.3 MNIST数字识别任务介绍

6.4 MNIST数据准备

6.5 PCA特征分析

6.6 RBM特征学习

6.7 构建基线模型

6.8 加入PCA进行模型优化

6.9 加入RBM进行模型优化

6.10 多层受限玻尔兹曼机

  1. 案例分析:表情识别

7.1 表情识别任务介绍

7.2 读取数据

7.3 提取特征脸

7.4 构建基线模型

7.5 加入PCA过程

7.6 加入LDA过程

授课教师

教务

课程特色

视频(65)
下载资料(1)