DM_test3

ການກະກຽມຂໍ້ມູນ (Data Preparation) ມີຄວາມໝາຍວ່າແນວໃດ?

• ການສ້າງ Model Machine Learning.

• ການເກັບກຳຂໍ້ມູນຈາກແຫຼ່ງຂໍ້ມູນຕ່າງໆ

• ຂະບວນການປ່ຽນແປງຂໍ້ມູນດິບໃຫ້ຢູ່ໃນຮູບແບບທີ່ເໝາະສົມສຳລັບການວິເຄາະ.

• ການສະແດງຜົນຂໍ້ມູນດ້ວຍ Visualizations.

ການຕັດສິນໃຈກ່ຽວກັບວິທີການກະກຽມຂໍ້ມູນທີ່ເໝາະສົມ ຄວນອີງໃສ່ຫຍັງ?

• ປະລິມານຂໍ້ມູນທີ່ມີ.

• ຄວາມເຂົ້າໃຈໃນໂດເມນ (Domain Knowledge) ແລະ ຈຸດປະສົງຂອງການວິເຄາະ.

• ຄວາມມັກສ່ວນຕົວຂອງນັກວິເຄາະ.

• ຄວາມໄວຂອງຄອມພິວເຕີ.

ຂໍ້ມູນປະເພດໃດທີ່ຄວນໃຊ້ Label Encoding?

• ຂໍ້ມູນຕົວເລກທີ່ເປັນຕົວເລກຈິງ (Real Number).

• ຂໍ້ມູນປະເພດ (Categorical data) ທີ່ມີລຳດັບຄວາມສຳຄັນ (Ordinal data).

• ຂໍ້ມູນປະເພດ (Categorical data) ທີ່ບໍ່ມີລຳດັບຄວາມສຳຄັນ (Nominal data).

• ຂໍ້ມູນວັນທີ ແລະ ເວລາ.

ອັນໃດຄືເຫດຜົນຫຼັກໃນການຫຼຸດຜ່ອນມິຕິ (Dimensionality Reduction)?

• ເພື່ອເພີ່ມຄວາມສັບສົນຂອງ Model.

• ເພື່ອຫຼຸດຜ່ອນເວລາໃນການຝຶກ Model ແລະ ປ້ອງກັນ Overfitting.

• ເພື່ອປ່ຽນຂໍ້ມູນປະເພດ (Categorical Data) ເປັນຕົວເລກ.

• ເພື່ອປັບຂະໜາດຂໍ້ມູນໃຫ້ຢູ່ໃນຊ່ວງທີ່ກຳນົດ.

ເຄື່ອງມືໃດທີ່ນິຍົມໃຊ້ໃນ Python ສຳລັບການຈັດການ ແລະ ວິເຄາະຂໍ້ມູນ?

• Scikit-learn.

• NumPy.

• Pandas.

• Matplotlib.

One-Hot Encoding ໃຊ້ສຳລັບຫຍັງ?

• ການປັບຂະໜາດຂໍ້ມູນຕົວເລກ (Numerical Data).

• ການປ່ຽນຂໍ້ມູນປະເພດ (Categorical Data) ເປັນຕົວເລກ.

• ການຫຼຸດຜ່ອນມິຕິ (Dimensionality Reduction).

• ການຈັດການຂໍ້ມູນທີ່ຜິດປົກກະຕິ (Outliers).

ເຕັກນິກໃດທີ່ໃຊ້ໃນການປັບຂະໜາດຂໍ້ມູນໃຫ້ຢູ່ໃນຊ່ວງ 0 ຫາ 1?

• Standardization (Z-score Scaling).

• One-Hot Encoding.

• Min-Max Scaling.

• Label Encoding.

ຂໍ້ໃດຕໍ່ໄປນີ້ແມ່ນບໍ່ແມ່ນສ່ວນໜຶ່ງຂອງຂັ້ນຕອນການເຮັດຄວາມສະອາດຂໍ້ມູນ (Data Cleaning)?

• ການຈັດການຂໍ້ມູນທີ່ຂາດຫາຍ (Missing Values).

• ການກຳຈັດຂໍ້ມູນທີ່ຊໍ້າກັນ (Duplicate Data).

• ການປ່ຽນຮູບແບບຂໍ້ມູນ (Data Transformation).

• ການຈັດການຂໍ້ມູນທີ່ຜິດປົກກະຕິ (Outliers).