Feature Engineering for Machine Learning: Alapelvek és technikák adattudósok számára

Olvasói vélemények

A könyv gyakorlati Python-példákkal kiegészített, szilárd bevezetést nyújt a funkciótervezésbe, így könnyen hozzáférhető és erősen ajánlott. Néhány olvasó azonban úgy érzi, hogy a könyv nem elég mély, a grafika minőségével vannak problémák, és terjedelméhez képest túlárazott.

⬤ Könnyen olvasható
⬤ világos példák Pythonban
⬤ jó referencia a gépi tanuláshoz
⬤ jól megírt és nagyon ajánlott
⬤ a feature engineering alapvető fogalmait és technikáit tárgyalja.

⬤ Befejezetlennek és túl rövidnek tűnik
⬤ változó szintű magyarázat
⬤ rossz minőségű kézzel rajzolt grafika
⬤ néhány ellentmondásos tanács
⬤ a tényleges terjedelméhez képest túlárazottnak tűnik.

(15 olvasói vélemény alapján)

Eredeti címe:

Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists

Könyv tartalma:

A jellemzőtervezés kulcsfontosságú lépés a gépi tanulás folyamatában, mégis ezt a témát ritkán vizsgálják önállóan. Ebben a gyakorlatias könyvben a jellemzők - a nyers adatok numerikus reprezentációi - kinyerésének és átalakításának technikáit tanulhatja meg a gépi tanulási modellekhez szükséges formátumokká. Minden fejezet egyetlen adatproblémán keresztül vezet végig, például hogyan reprezentáljunk szöveges vagy képi adatokat. Ezek a példák együttesen szemléltetik a jellemzőmérnökség fő elveit.

A szerzők, Alice Zheng és Amanda Casari ahelyett, hogy egyszerűen csak megtanítanák ezeket az elveket, a könyvben található gyakorlatok segítségével a gyakorlati alkalmazásra összpontosítanak. A záró fejezet mindent egybefoglal, amikor egy valós, strukturált adatkészletet kezel több feature-engineering technikával. A kódpéldákban olyan Python-csomagokat használnak, mint a numpy, Pandas, Scikit-learn és Matplotlib.

Megvizsgálja a következőket:

⬤ Jellemzőmérnökség numerikus adatokhoz: szűrés, binning, skálázás, log-transzformáció és hatványtranszformáció.

⬤ természetes szöveges technikák: szavak zsákja, n-grammok és mondatok felismerése.

⬤ Frekvencia alapú szűrés és jellemzőskálázás a nem informatív jellemzők kiküszöbölésére.

⬤ Kategorikus változók kódolási technikái, beleértve a feature hashinget és a bin-countingot.

⬤ Modellalapú jellemzőmérnökség főkomponens-elemzéssel.

⬤ A modellhalmozás koncepciója, a k-means mint featurizálási technika használatával.

⬤ Képjellemzők kinyerése manuális és mélytanulási technikákkal.