קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
מומחי למידת מכונה מקדישים הרבה יותר זמן להערכה, לניקוי ולטרנספורמציה של נתונים מאשר ליצירת מודלים.
הנתונים חשובים כל כך, עד שהקורס הזה כולל שלוש יחידות מלאות בנושא:
היחידה הזו מתמקדת בנתונים מספריים, כלומר מספרים שלמים או ערכים של נקודות צפות שמתנהגים כמו מספרים. כלומר, הם יכולים להיות חיבור, ניתנים לספירה, סדורים
וכן הלאה. ביחידה הבאה נסביר על נתונים קטגוריאליים, שיכולים לכלול מספרים שמתנהגים כמו קטגוריות. היחידה השלישית מתמקדת בהכנת הנתונים כדי להבטיח תוצאות באיכות גבוהה במהלך אימון המודל והערכתו.
דוגמאות לנתונים מספריים:
טמפרטורה
משקל
מספר האיילים ששוהים בשמורת טבע בחורף
לעומת זאת, מיקוד בארה"ב, למרות שהוא מספר בן חמש או תשע ספרות, לא מתנהג כמו מספר או מייצג יחסי מתמטיקה. המיקוד 40004 (במחוז נלסון, קנטקי) הוא לא פי שניים מהמיקוד 20002 (בוושינגטון הבירה). המספרים האלה מייצגים קטגוריות, במיוחד אזורים גיאוגרפיים, ונחשבים לנתונים קטגוריאליים.
[null,null,["עדכון אחרון: 2025-07-27 (שעון UTC)."],[[["\u003cp\u003eThis module focuses on preparing numerical data, such as temperature or weight, for use in machine learning models.\u003c/p\u003e\n"],["\u003cp\u003eMachine learning practitioners spend significant time on data preparation tasks like cleaning and transformation.\u003c/p\u003e\n"],["\u003cp\u003eThe module covers techniques like feature scaling, outlier detection, and binning to improve data quality for model training.\u003c/p\u003e\n"],["\u003cp\u003eLearners should have a basic understanding of machine learning concepts before starting this module.\u003c/p\u003e\n"],["\u003cp\u003eCategorical data, like postal codes, will be addressed in a separate module due to its distinct characteristics and handling requirements.\u003c/p\u003e\n"]]],[],null,["# Working with numerical data\n\n| **Estimated module length:** 85 minutes\n| **Learning objectives**\n|\n| - Understand feature vectors.\n| - Explore your dataset's potential features visually and mathematically.\n| - Identify outliers.\n| - Understand four different techniques to normalize numerical data.\n| - Understand binning and develop strategies for binning numerical data.\n| - Understand the characteristics of good continuous numerical features.\n| **Prerequisites:**\n|\n| This module assumes you are familiar with the concepts covered in the\n| following module:\n|\n| - [Introduction to Machine Learning](/machine-learning/intro-to-ml)\n\nML practitioners spend far more time evaluating, cleaning, and transforming\ndata than building models.\nData is so important that this course devotes three entire units to the topic:\n\n- Working with numerical data (this unit)\n- [Working with categorical data](/machine-learning/crash-course/categorical-data)\n- [Datasets, generalization, and overfitting](/machine-learning/crash-course/overfitting)\n\nThis unit focuses on\n[**numerical data**](/machine-learning/glossary#numerical-data),\nmeaning integers or floating-point values\nthat behave like numbers. That is, they are additive, countable, ordered,\nand so on. The next unit focuses on\n[**categorical data**](/machine-learning/glossary#categorical-data), which can\ninclude numbers that behave like categories. The third unit focuses on how to\nprepare your data to ensure high-quality results when training and evaluating\nyour model.\n\nExamples of numerical data include:\n\n- Temperature\n- Weight\n- The number of deer wintering in a nature preserve\n\nIn contrast, US postal codes, despite\nbeing five-digit or nine-digit numbers, don't behave like numbers or represent\nmathematical relationships. Postal code 40004 (in Nelson County, Kentucky) is\nnot twice the quantity of postal code 20002 (in Washington, D.C.). These numbers\nrepresent categories, specifically geographic areas, and are considered\ncategorical data.\n| **Key terms:**\n|\n| - [Categorical data](/machine-learning/glossary#categorical-data)\n- [Numerical data](/machine-learning/glossary#numerical-data) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
