Feature Engineering em Português Brasileiro

Go to Course: https://www.coursera.org/learn/feature-engineering-br

Introduction

**Course Review: Feature Engineering em Português Brasileiro on Coursera** In the realm of machine learning, the success of your models often relies heavily on the quality of features you create. This is where the course "Feature Engineering em Português Brasileiro" on Coursera comes into play. Whether you're a budding data scientist or an established professional looking to refine your skills, this course provides valuable insights and hands-on experience with feature engineering techniques. ### Overview The course focuses on the **Feature Store of Vertex AI**, allowing learners to understand how to improve the accuracy of machine learning models by identifying which columns of data contain the most useful attributes. It provides a robust mix of theoretical knowledge and practical application using tools such as **BigQuery ML**, **Keras**, and **TensorFlow**. ### Course Syllabus Breakdown 1. **Introdução ao curso**: This introductory module sets the stage for what you can expect in the course, outlining its objectives and purpose. 2. **Introdução ao Feature Store da Vertex AI**: Here, you will learn the basics of the Vertex AI Feature Store, a crucial component for efficiently managing and serving features for your models. 3. **De dados brutos a atributos**: This module delves into the often time-consuming and challenging process of transforming raw data into useful features. You will explore what defines a good attribute and how to effectively represent it within your models. 4. **Engenharia de atributos**: In this section, the course contrasts machine learning with statistics and provides guidance on executing feature engineering using BigQuery ML and Keras. Advanced practices within this space are also discussed, making this a critical segment for practitioners. 5. **Pré-processamento e criação de atributos**: The course introduces **Dataflow**, a technology employed alongside Apache Beam, which aids in preprocessing and attribute engineering. Understanding these tools is essential for effective data handling. 6. **Cruzamentos de atributos – TensorFlow Playground**: While traditional machine learning invoked limited roles for feature intersections, current methodologies recognize their importance. This module teaches you how to identify problems where feature crossings are significant. 7. **Introdução ao TensorFlow Transform**: This segment introduces **TensorFlow Transform (tf.Transform)**, a powerful library designed for comprehensive data preprocessing. You'll learn how to normalize inputs, transform strings into integers, and segment data into buckets based on observed distributions. 8. **Resumo**: Finally, the course culminates in a summary that reinforces the learning objectives and insights gathered throughout the sessions. ### Recommendations The "Feature Engineering em Português Brasileiro" course is highly recommended for anyone looking to elevate their machine learning proficiency, particularly in the context of feature creation. - **Practical Learning**: The combination of theory and practice provides a balanced approach, ensuring that learners not only understand concepts but also how to apply them effectively. - **Current Technologies**: Featuring modern tools like Vertex AI, BigQuery ML, Keras, and TensorFlow, this course keeps you aligned with the latest advancements in data science. - **Bilingual Instruction**: For Portuguese speakers, the course's instruction in Brazilian Portuguese makes it a more accessible option for those who prefer to learn in their native language. ### Conclusion Overall, "Feature Engineering em Português Brasileiro" is a comprehensive and well-structured course that can significantly enhance your understanding and application of feature engineering in machine learning. By the end of the course, you will be well-equipped to optimize your models and apply your knowledge in real-world scenarios effectively. If you're serious about deepening your data science skills, this course is definitely worth your time and investment.

Syllabus

Introdução ao curso

Neste módulo, apresentamos uma visão geral do curso e dos objetivos a serem alcançados.

Este módulo apresenta o Feature Store da Vertex AI.

A engenharia de atributos costuma ser a fase mais demorada e difícil da criação dos projetos de ML. Esse processo começa pelos dados brutos, e você usa seu próprio conhecimento sobre domínios para criar atributos que vão fazer seus algoritmos de machine learning funcionarem. Neste módulo, vamos conferir o que caracteriza um bom atributo e como fazer a representação deles no seu modelo.

Neste módulo, analisamos as diferenças entre o machine learning e as estatísticas, além de mostrar como executar a engenharia de atributos no BigQuery ML e no Keras. Também vamos abordar algumas práticas avançadas desse processo.

Neste módulo, apresentamos informações sobre o Dataflow, uma tecnologia complementar do Apache Beam. Ambos podem ajudar você a criar e executar o pré-processamento e a engenharia de atributos.

Os cruzamentos de atributos não têm um papel muito significativo nos processos tradicionais de machine learning. Porém, para os métodos de ML atuais, esses tipos de recursos são parte essencial do seu kit de ferramentas. Neste módulo, você vai aprender a reconhecer os tipos de problemas em que os cruzamentos de atributos desempenham um papel importante no machine learning.

O TensorFlow Transform (tf.Transform) é uma biblioteca de pré-processamento de dados com o TensorFlow. O tf.Transform é útil para os pré-processamentos que exigem uma passagem completa dos dados, como: • normalizar um valor de entrada por média e stdev; • transformar strings em números inteiros ao gerar um vocabulário com a verificação de todos os exemplos de entrada dos valores; • separar as entradas em buckets com base na distribuição de dados que foi observada. Neste módulo vamos apresentar os casos de uso do tf.Transform.

Este módulo é um resumo do curso Feature Engineering