Feature Engineering Bookcamp

Olvasói vélemények

Az áttekintett könyv, a „Feature Engineering Bookcamp” nagy elismerést váltott ki a feature engineering gyakorlati megközelítése miatt, amely valós esettanulmányokat és közérthető útmutatást kínál, amely ideális mind a kezdők, mind a tapasztalt ML-gyakorlók számára. Bár a könyv alapvető forrásnak számít a feature engineering megértéséhez, néhány recenzens javítandó területeket jelölt meg, különösen a hatékonyság és a tesztelési módszertanok tekintetében.

⬤ Kiváló esettanulmányok különböző területeken.
⬤ Gyakorlati hangsúly inkább a megvalósításra, mint az elméletre helyezi a hangsúlyt.
⬤ Világos és tömör nyelvezet.
⬤ Időszerű referencia az adatközpontú gépi tanuláshoz.
⬤ A feature engineering fogalmak átfogó lefedettsége.
⬤ A torzítások felismerésének és mérséklésének alapos tárgyalása.
⬤ Bevezetés az ML jellemzőtárolóiba.
⬤ Kiegészítő kódot tartalmaz a GitHubon.
⬤ Hozzáférés a LiveBookhoz fizikai példányban.

⬤ A fejezetek jobb strukturálása javíthatná a többféle feature engineering pipeline tesztelésének hatékonyságát.
⬤ Hiányzik az automatikus ML keretrendszerek feltárása a technikák megvalósításához.
⬤ Néhány kritikus azt kívánta, bárcsak karrierje során korábban hozzáférhetett volna ehhez a könyvhöz.

(5 olvasói vélemény alapján)

Könyv tartalma:

Hatalmas javulást érhetsz el a gépi tanulási pipelinekben anélkül, hogy órákat töltenél a paraméterek finomhangolásával! A könyv gyakorlati esettanulmányai olyan funkciótervezési technikákat tárnak fel, amelyek feljavítják az adatfeldolgozását - és az ML-eredményeit.

A Feature Engineering Bookcamp könyvtáborban megtanulhatja, hogyan:

Azonosítsa és hajtsa végre az adataihoz tartozó feature-transzformációkat.

Építsen hatékony gépi tanulási pipelineseket strukturálatlan adatokkal, például szövegekkel és képekkel.

Kvantitatív módon számszerűsítse és minimalizálja a torzításokat a gépi tanulási pipelinekben az adatok szintjén.

Használjon jellemzőtárolókat valós idejű jellemzőmérnöki pipelinek építéséhez.

A meglévő gépi tanulási pipelinek bővítése a bemeneti adatok manipulálásával.

A legkorszerűbb mélytanulási modellek használata az adatokban rejlő rejtett minták kinyerésére.

A Feature Engineering Bookcamp olyan projektek gyűjteményén keresztül vezet végig, amelyek segítségével gyakorlati tapasztalatokat szerezhet az alapvető feature engineering technikákról. Olyan feature engineering gyakorlatokkal fogsz dolgozni, amelyek felgyorsítják az adatfeldolgozáshoz szükséges időt, és valódi javulást eredményeznek a modell teljesítményében. Ez az azonnal használható könyv kihagyja az elvont matematikai elméletet és a részletesen kidolgozott képleteket; ehelyett érdekes, kódvezérelt esettanulmányokon keresztül tanulhat, többek között a tweet-osztályozás, a COVID-felismerés, a visszaesés előrejelzése, a tőzsdei árfolyammozgások felismerése és még sok más.

A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.

A technológiáról.

Jobb kimenetet kaphat a gépi tanulási csővezetékekből a képzési adatok javításával! Használja a feature engineeringet, egy olyan gépi tanulási technikát, amellyel a meglévő adatai alapján releváns bemeneti változókat tervezhet, hogy egyszerűsítse a képzést és javítsa a modellek teljesítményét. Míg a hiperparaméterek finomhangolása vagy a modellek finomhangolása kisebb teljesítménynövekedést eredményezhet, a feature engineering az adatcsővezeték átalakításával drámai javulást eredményez.

A könyvről.

A Feature Engineering Bookcamp hat gyakorlati projekten keresztül vezet végig, ahol megtanulhatja, hogyan fejlesztheti képzési adatait a feature engineering segítségével. Minden fejezet egy új, kódvezérelt esettanulmányt vizsgál, amely olyan valós iparágakból származik, mint a pénzügy és az egészségügy. Gyakorolni fogja az adatok tisztítását és átalakítását, az előítéletek csökkentését és még sok mást. A könyv tele van teljesítménynövelő tippekkel az ML minden fontosabb részterületére - a természetes nyelvi feldolgozástól az idősorelemzésig.

Mi van benne?

Jellemzőtranszformációk azonosítása és végrehajtása.

Építsen gépi tanulási csővezetékeket strukturálatlan adatokkal.

Számszerűsítse és minimalizálja a torzításokat az ML-csatornákban.

Használja a jellemzőtárolókat valós idejű jellemzőmérnöki pipelinek építéséhez.

A meglévő pipelinek bővítése a bemeneti adatok manipulálásával.

Az olvasóról.

Pythonban jártas, tapasztalt gépi tanulással foglalkozó mérnökök számára.

A szerzőről.

Sinan Ozdemir a Shiba alapítója és technológiai igazgatója, a Johns Hopkins Egyetem korábbi adattudományi előadója, valamint több adattudományi és gépi tanulási szakkönyv szerzője.

Tartalomjegyzék.

1 Bevezetés a feature engineeringbe.

2 A feature engineering alapjai.

3 Az egészségügy: A COVID-19 diagnosztizálása.

4 Elfogultság és méltányosság: A visszaesés modellezése.

5 Természetes nyelvi feldolgozás: A közösségi média hangulatának osztályozása.

6 Számítógépes látás: Objektumfelismerés.

7 Idősor-elemzés: Nappali kereskedés gépi tanulással.

8 Jellemzőtárolók.

9 Összeállítás.