Course Summary
This course on Feature Engineering teaches the art of extracting useful features from raw data for machine learning models. You'll learn how to work with various data types and feature types, and how to transform and preprocess data to improve model performance.Key Learning Points
- Understand the importance of feature engineering in machine learning
- Learn how to work with various data types and feature types
- Transform and preprocess data to improve model performance
Job Positions & Salaries of people who have taken this course might have
- Data Scientist
- USA: $113,309
- India: ₹1,015,381
- Spain: €42,000
- Machine Learning Engineer
- USA: $119,965
- India: ₹1,086,041
- Spain: €36,000
- Data Analyst
- USA: $62,453
- India: ₹411,415
- Spain: €22,000
Related Topics for further study
Learning Outcomes
- Understand the importance of feature engineering in machine learning models
- Master the art of extracting useful features from raw data
- Transform and preprocess data to improve model performance
Prerequisites or good to have knowledge before taking this course
- Basic knowledge of Python and machine learning
- Familiarity with data preprocessing and cleaning
Course Difficulty Level
IntermediateCourse Format
- Online self-paced
- Video lectures
- Hands-on coding exercises
Similar Courses
- Applied Machine Learning
- Data Science Essentials
- Deep Learning
Related Education Paths
Notable People in This Field
- Co-founder of Coursera and deeplearning.ai
- Professor at NYU and Director of AI Research at Facebook
Related Books
Description
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 ? Bienvenue dans le cours Feature Engineering on Google Cloud Platform (Extraction de caractéristiques sur Google Cloud Platform). Nous vous expliquerons ce qui distingue les bonnes caractéristiques des mauvaises, puis nous vous montrerons comment prétraiter et transformer vos caractéristiques afin d'optimiser leur efficacité dans vos modèles.
Outline
- Introduction
- Présentation de l'extraction de caractéristiques
- Des données brutes aux caractéristiques
- Des données brutes aux caractéristiques
- Caractéristiques bonnes et mauvaises
- Questionnaire : Les caractéristiques sont liées à l'objectif
- Caractéristiques connues au moment de la prédiction
- Questionnaire : Les caractéristiques sont connaissables au moment de la prédiction
- Les caractéristiques doivent être numériques
- Questionnaire : Les caractéristiques doivent être numériques
- Les caractéristiques doivent contenir suffisamment d'exemples
- Questionnaire : Les caractéristiques doivent contenir suffisamment d'exemples (p1)
- Questionnaire : Les caractéristiques doivent contenir suffisamment d'exemples (p2)
- Introduire la perception humaine
- Représenter les caractéristiques
- ML et statistiques
- Solution de l'atelier : Améliorer la précision d'un modèle avec de nouvelles caractéristiques
- Des données brutes aux caractéristiques
- Représentation des caractéristiques
- Prétraitement et création des caractéristiques
- Prétraiter et créer des caractéristiques
- Beam et Dataflow
- Présentation de l'atelier : Pipeline Dataflow Simple
- Solution de l'atelier : Pipeline Dataflow simple
- Pipelines de données évolutifs
- Présentation de l'atelier : MapReduce dans Dataflow
- Solution de l'atelier : MapReduce dans Dataflow
- Prétraitement avec Cloud Dataprep
- Présentation de l'atelier : Calculer des caractéristiques sur une période dans Cloud Dataprep
- Solution de l'atelier : Calculer des caractéristiques sur une période dans Cloud Dataprep
- Prétraitement et création des caractéristiques
- Apache Beam et Cloud Dataflow
- Représentation des caractéristiques
- Croisement de caractéristiques
- Présentation des croisements de caractéristiques
- Qu'est-ce qu'un croisement de caractéristiques ?
- Discrétisation
- Mémorisation et généralisation
- Couleurs de taxis
- Présentation de l'atelier : Croiser les caractéristiques pour créer un bon outil de classification
- Solution de l'atelier : Croiser les caractéristiques pour créer un bon outil de classification
- Parcimonie + Questionnaire
- Présentation de l'atelier : Privilégier la modération
- Solution de l'atelier : Privilégier la modération
- Mettre en œuvre des croisements de caractéristiques
- Intégrer des croisements de caractéristiques
- Cas d'utilisation de l'extraction de caractéristiques
- Créer des caractéristiques dans TensorFlow
- Créer des caractéristiques dans DataFlow
- Présentation de l'atelier : Améliorer un modèle de ML avec l'extraction de caractéristiques
- Solution de l'atelier (p1) : Bilan d'équité du ML
- Solution de l'atelier (p2) : Améliorer un modèle de ML avec l'extraction de caractéristiques
- Croisement de caractéristiques
- TF Transform
- Présentation de TensorFlow Transform
- TensorFlow Transform
- Phase d'analyse
- Phase de transformation
- Système de diffusion compatible
- Présentation de l'atelier : Explorer tf.transform
- Solution de l'atelier : Explorer tf.transform
- tf.transform
- Résumé
- Résumé
Summary of User Reviews
Learn how to engineer features in data sets with Coursera's Feature Engineering course. Discover how to extract, transform, and select features to improve machine learning models. Users have found this course to be comprehensive and informative, with a focus on practical applications.Key Aspect Users Liked About This Course
Users appreciated the practical approach to feature engineering in this course.Pros from User Reviews
- Comprehensive coverage of feature engineering concepts
- Hands-on assignments and real-world examples
- Engaging and knowledgeable instructors
- Great for beginners and experienced data scientists alike
Cons from User Reviews
- Some users found the course to be too basic
- Lack of focus on certain topics, such as feature selection
- Not enough emphasis on advanced techniques
- Some technical issues with the course platform
- Price may be too high for some users
Get My Official French DELF B2 Certificate + PDF Cheat Sheet
- 4.6
-
![]()
![]()
![]()
![]()
![]()
French B2 speaking hacked (Native Teacher) Learn French pronunciation Secrets | French Language Course for Delf B2 Exam I believe learning is best done when it's enjoyable....
Feature Engineering en Español
- 4.5
-
![]()
![]()
![]()
![]()
![]()
¿Quiere saber cómo mejorar la exactitud de los modelos de AA? , ¿cómo puede averiguar qué columnas de datos crean los atributos más útiles?...
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....
