Class Central is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Google Cloud

Feature Engineering en Français

Google Cloud and Google via Coursera

Overview

Prepare for a new career with $100 off Coursera Plus
Gear up for jobs in high-demand fields: data analytics, digital marketing, and more.
Vous voulez en savoir plus sur Vertex AI Feature Store ? Vous souhaitez découvrir comment améliorer la précision de vos modèles de ML ? Comment déterminer les colonnes de données présentant les caractéristiques les plus utiles ? Bienvenue dans le cours "Feature Engineering", dans lequel vous apprendrez à distinguer les caractéristiques pertinentes de celles qui ne le sont pas. Vous verrez aussi comment les prétraiter et les transformer pour les utiliser de manière optimale dans vos modèles. Ce cours inclut du contenu et des ateliers portant sur l'extraction de caractéristiques à l'aide de BigQuery ML, Keras et TensorFlow.

Syllabus

  • Présentation
    • Ce module présente le cours et ses objectifs.
  • Présentation de Vertex AI Feature Store
    • Ce module présente Vertex AI Feature Store.
  • Des données brutes aux caractéristiques
    • L'extraction de caractéristiques est souvent la phase la plus longue et la plus difficile du développement de votre projet de ML. Dans le processus d'extraction de caractéristiques, vous partez de vos données brutes et utilisez votre propre connaissance du domaine pour créer des caractéristiques qui feront fonctionner vos algorithmes de ML. Dans ce module, nous explorerons ce qui constitue une bonne caractéristique et découvrirons comment la représenter dans votre modèle de ML.
  • Extraction de caractéristiques
    • Ce module examine les différences entre le machine learning et les statistiques, et comment effectuer une extraction de caractéristiques dans BigQuery ML et Keras. Nous aborderons également certaines pratiques avancées d'extraction de caractéristiques.
  • Prétraiter et créer des caractéristiques
    • Dans ce module, vous en apprendrez plus sur Dataflow, une technologie complémentaire d'Apache Beam. Grâce à ces deux technologies, vous pouvez créer et accéder à des fonctionnalités de prétraitement et d'extraction de caractéristiques.
  • Croisements de caractéristiques – TensorFlow Playground
    • Dans le machine learning traditionnel, les croisements de caractéristiques ne jouent pas un rôle très important, mais dans les méthodes modernes, ils constituent un outil à la valeur inestimable. Dans ce module, vous apprendrez à reconnaître les types de problèmes pour lesquels les croisements de caractéristiques constituent un outil puissant aidant les machines à apprendre.
  • Présentation de TensorFlow Transform
    • TensorFlow Transform (tf.Transform) est une bibliothèque de prétraitement des données avec TensorFlow qui est utile pour les prétraitements nécessitant un passage complet des données, comme : - la normalisation d'une valeur d'entrée par la moyenne et l'écart type - la conversion de chaînes en nombres entiers en générant un vocabulaire sur toutes les valeurs d'entrée - la mise en buckets des entrées basées sur la distribution des données observées Dans ce module, nous allons explorer les cas d'utilisation de tf.Transform.
  • Résumé
    • Ce module est un résumé du cours "Feature Engineering".

Taught by

Google Cloud Training

Reviews

Start your review of Feature Engineering en Français

Never Stop Learning.

Get personalized course recommendations, track subjects and courses with reminders, and more.

Someone learning on their laptop while sitting on the floor.