کاهش ابعاد در R

آیا تا به حال با مجموعه داده‌ با تعداد بسیار زیادی ویژگی کار کرده‌اید؟ آیا به همه آن ویژگی‌ها نیاز دارید؟ کدام یک از همه مهم‌تر هستند؟ در این دوره، شما تکنیک‌های کاهش ابعاد را خواهید آموخت که به شما کمک می‌کنند داده‌ خود و مدل‌هایی را که با آن داده‌ می‌سازید ساده‌سازی کنید، در حالی که اطلاعات داده اصلی و عملکرد پیش‌بینی خوب را حفظ می‌نمایید.

چرا کاهش ابعاد را بیاموزیم؟

ما در عصر اطلاعات زندگی می‌کنیم – دوره‌ای از انباشت اطلاعات. هنر استخراج اطلاعات ضروری از داده‌ یک مهارت قابل فروش در بازار است. مدل‌ها روی داده‌ کاهش‌یافته سریع‌تر آموزش می‌بینند. در محیط تولید، مدل‌های کوچک‌تر به معنای زمان پاسخ سریع‌تر هستند. شاید مهم‌تر از همه، داده‌ و مدل‌های کوچک‌تر اغلب درک ساده‌تری دارند. کاهش ابعاد، تیغ اوکام شما در علم داده است.

در این دوره چه خواهید آموخت؟

تفاوت بین انتخاب ویژگی و استخراج ویژگی! با استفاده از R، شما خواهید آموخت که چگونه ویژگی‌های با اطلاعات کم یا تکراری را شناسایی و حذف کنید و ویژگی‌های دارای بیشترین اطلاعات را حفظ نمایید. این انتخاب ویژگی است. شما همچنین یاد خواهید گرفت که چگونه ترکیبی از ویژگی‌ها را به عنوان کامپوننت های فشرده‌ای که حاوی حداکثر اطلاعات هستند استخراج کنید. این استخراج ویژگی است!

اما مهم‌تر از همه، با استفاده از پکیج جدید tidymodels در R، شما از داده‌ دنیای واقعی برای ساخت مدل‌هایی با ویژگی‌های کمتر استفاده خواهید کرد، بدون آنکه عملکرد قابل توجهی را قربانی کنید.