I denne utfordringen skal du samle alle forhåndsbehandlingsstegene vi har gjort **i én pipeline**. Datasettet er den opprinnelige `penguins.csv`-filen vi startet med.  

Første steg er å **fjerne to unyttige rader**. Deretter skal du lage en pipeline som inneholder koding, imputering og skalering.

Du skal kun kode to kolonner, `'sex'` og `'island'`. Siden du ikke ønsker å kode hele `X`, må du bruke en `ColumnTransformer`. Deretter skal du bruke `SimpleImputer` og `StandardScaler` på hele `X`.

Her er en påminnelse om funksjonene `make_column_transformer()` og `make_pipeline()` som du skal bruke.

Maskinlæring brukes nå overalt. Vil du lære det selv? Dette kurset er en introduksjon til maskinlæring hvor du lærer grunnleggende konsepter, arbeider med Scikit-learn – det mest populære biblioteket for ML, og bygger ditt første maskinlæringsprosjekt.
Kurset er beregnet på studenter med grunnleggende kunnskap i Python, Pandas og Numpy.

Lær om maskinlæringskonsepter og arbeidsflyten i et ML-prosjekt.

Forbehandling er sannsynligvis den viktigste fasen i et ML-prosjekt. Dette kapittelet dekker forbehandlingsstegene som trengs for nesten alle datasett.

En pipeline er en ryddig måte å kombinere alle forhåndsbehandlingssteg samt en modell. Pipeliner gjør det mye enklere å trene og bruke en modell.

Modellering er den mest spennende fasen i et ML-prosjekt. La oss lære å bygge, finjustere og evaluere modellen!

Utfordring: Lage en Pipeline

Løsning

Awesome!

Utfordring: Lage en Pipeline

Løsning

Awesome!