コースのまとめ
コレクションでコンテンツを整理
必要に応じて、コンテンツの保存と分類を行います。
機械学習のためのデータ準備と特徴量エンジニアリングはこれで完了です。
ここでは、以下の方法について理解を深めました。
- データ品質とサイズがアルゴリズムにもたらす相対的な影響を認識する。
- データの変換にかかる時間について、十分な情報に基づいて現実的な期待値を設定します。
- ML ワークフロー全体におけるデータの収集と変換の一般的なプロセスを説明する。
- 元データを収集してデータセットを構築する
- 不均衡なデータを考慮に入れて、データセットをサンプリングして分割する。
- 数値データとカテゴリデータを変換する。
特に記載のない限り、このページのコンテンツはクリエイティブ・コモンズの表示 4.0 ライセンスにより使用許諾されます。コードサンプルは Apache 2.0 ライセンスにより使用許諾されます。詳しくは、Google Developers サイトのポリシーをご覧ください。Java は Oracle および関連会社の登録商標です。
最終更新日 2023-10-20 UTC。
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"必要な情報がない"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"複雑すぎる / 手順が多すぎる"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"最新ではない"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"翻訳に関する問題"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"サンプル / コードに問題がある"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"その他"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"わかりやすい"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"問題の解決に役立った"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"その他"
}]