Demonstrate univariate filtering methods of feature selection such as SelectKBest
Demonstrate wrapper-based feature selection methods such as Recursive Feature Elimination
Demonstrate feature importance estimation, dimensionality reduction, and lasso regularization techniques
In this 1-hour long project-based course, you will learn basic principles of feature selection and extraction, and how this can be implemented in Python. Together, we will explore basic Python implementations of Pearson correlation filtering, Select-K-Best knn-based filtering, backward sequential filtering, recursive feature elimination (RFE), estimating feature importance using bagged decision trees, lasso regularization, and reducing dimensionality using Principal Component Analysis (PCA). We will focus on the simplest implementation, usually using Scikit-Learn functions. All of this will be done on Ubuntu Linux, but can be accomplished using any Python I.D.E. on any operating system. We will be using the IDLE development environment to demonstrate several feature selection techniques using the publicly available Pima Diabetes dataset. I would encourage learners to experiment using these techniques not only for feature selection, but hyperparameter tuning as well. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.
작업 영역이 있는 분할 화면으로 재생되는 동영상에서 강사는 다음을 단계별로 안내합니다.
Defining Terms relating to Feature Selection and Dimensionality Reduction
Introduce Algorithms with Embedded Feature Selection
Demonstrate two Univariate Selection Methods: Pearson Correlation Filtering and SelectKBest f_classif
Demonstrate two Wrapper Methods: Backward Sequential and RFE
Demonstrate Feature Importance Estimation using Bagged Decision Trees
Dimensionality Reduction using Principal Component Analysis
Demonstrate Lasso Regularization
Expanding concepts to hyperparameter optimization and model selection
작업 영역은 브라우저에 바로 로드되는 클라우드 데스크톱으로, 다운로드할 필요가 없습니다.
분할 화면 동영상에서 강사가 프로젝트를 단계별로 안내해 줍니다.
안내 프로젝트를 구매하면 어떤 혜택이 있습니까?
안내 프로젝트를 구매하면, 시작에 필요한 파일과 소프트웨어가 포함된 클라우드 데스크톱 작업 영역에 웹 브라우저를 통해 접근할 수 있으며, 주제 전문가의 단계별 동영상 지침 등 프로젝트 완료에 필요한 모든 것이 제공됩니다.
데스크톱과 모바일에서 안내 프로젝트를 이용할 수 있습니까?
귀하의 작업 영역에는 노트북이나 데스크톱 컴퓨터에 맞게 용량이 지정된 클라우드 데스크톱이 포함되어 있으므로 모바일 기기에서는 안내 프로젝트를 이용할 수 없습니다.
안내 프로젝트 강사는 누구입니까?
안내 프로젝트 강사는 해당 주제의 전문가로서, 해당 프로젝트 영역이나 도구, 기술에 대한 경험이 풍부하며 전 세계 수백만 명의 학습자와 지식을 적극적으로 공유합니다.
작업 완료 후 안내 프로젝트에서 해당 작업을 다운로드할 수 있습니까?
안내 프로젝트에서 생성된 파일은 모두 다운로드하고 보관할 수 있습니다. 클라우드 데스크톱에 접속한 상태에서 '파일 브라우저'를 사용하여 파일을 다운로드할 수 있습니다.
환불 규정은 어떻게 되나요?
안내 프로젝트는 환불이 불가능합니다. 전체 환불 정책 보기
재정 지원을 받을 수 있나요?
안내 프로젝트에는 재정 지원이 제공되지 않습니다.
안내 프로젝트를 청강하고 동영상 일부를 무료로 볼 수 있습니까?
안내 프로젝트의 청강은 할 수 없습니다.
이 안내 프로젝트를 수행하려면 경험이 얼마나 필요합니까?
페이지 상단에서 이 안내 프로젝트에 대한 경험 수준을 누르면 우선적으로 알아야 하는 지식을 확인할 수 있습니다. 안내 프로젝트의 단계마다 강사가 차례대로 안내해 드립니다.
소프트웨어를 별도로 설치하지 않아도 바로 웹 브라우저를 통해 이 안내 프로젝트를 완료할 수 있습니까?
네, 브라우저를 통해 이용할 수 있는 클라우드 데스크톱에서 안내 프로젝트 완료에 필요한 모든 것을 이용할 수 있습니다.
안내 프로젝트를 통해 어떤 학습 경험을 할 수 있습니까?
브라우저의 분할 화면 환경에서 바로 작업을 완료하여 학습할 수 있습니다. 화면 왼쪽에 있는 작업 영역에서 작업을 완료할 수 있습니다. 화면 오른쪽에서는 강사의 단계별 프로젝트 안내를 볼 수 있습니다.
궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.