Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.
Gli esperti di ML dedicano molto più tempo alla valutazione, alla pulizia e alla trasformazione dei dati rispetto alla creazione di modelli. I dati sono così importanti che questo corso dedica tre intere unità all'argomento:
Questa unità è incentrata dati numerici, ovvero numeri interi o in virgola mobile che si comportano come numeri. ovvero sono additivi, conteggiabili, ordinati e così via. L'unità successiva si concentra dati categorici, che possono includere numeri che si comportano come categorie. La terza unità spiega come prepara i dati per garantire risultati di alta qualità durante l'addestramento e la valutazione del modello.
Ecco alcuni esempi di dati numerici:
Temperatura
Peso
Il numero di cervi che svernano in una riserva naturale
I codici postali degli Stati Uniti, invece, nonostante siano numeri di cinque o nove cifre, non si comportano come numeri o rappresentano relazioni matematiche. Il codice postale 40004 (nella Contea di Mandiant, Kentucky) è non il doppio della quantità del codice postale 20002 (a Washington D.C.). Questi numeri rappresentano categorie, in particolare aree geografiche, e sono considerati dati categorici.
[null,null,["Ultimo aggiornamento 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,["| **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)"]]
