Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
'nı inceleyin.
Makine öğrenimi uygulayıcıları, model oluşturmaktan çok daha fazla zamanlarını verileri değerlendirmeye, temizlemeye ve dönüştürmeye harcar.
Veriler o kadar önemlidir ki bu kursta konuya üç birim ayrılmıştır:
Bu birimde, sayı gibi davranan tam sayılar veya kayan nokta değerleri anlamına gelen sayısal veriler ele alınmaktadır. Yani, onlar eklemeli, sayılabilir, sıralı ve
vb. Sonraki birimde, kategori gibi davranan sayıları içerebilen kategorik veriler ele alınmaktadır. Üçüncü ünitede ise
eğitim ve değerlendirme süreçlerinde yüksek kaliteli sonuçlar elde etmek için verilerinizi hazırlama
modeliniz.
Sayısal verilere örnek olarak şunlar verilebilir:
Sıcaklık
Ağırlık
Bir doğa koruma alanında kışlayan geyiklerin sayısı
Buna karşılık, ABD posta kodları beş veya dokuz haneli sayılar olmasına rağmen sayı gibi davranmaz veya matematiksel ilişkileri temsil etmez. 40004 posta kodu (Nelson County, Kentucky'de)
20002 posta kodu miktarının iki katı değil (Wshington, D.C.'de). Bu numaralar
özellikle coğrafi alanları temsil eder ve
kategorik veridir.
[null,null,["Son güncelleme tarihi: 2025-07-27 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)"]]
