Python Feature Engineering szakácskönyv - Második kiadás: Több mint 70 recept a funkciók létrehozásához, tervezéséhez és átalakításához a gépi tanulás m

Olvasói vélemények

Soledad Galli „Python Feature Engineering Cookbook, 2nd Edition” című könyve átfogó forrás a gépi tanulásban alkalmazott feature engineering technikák elsajátításához. A könyv tömör, gyakorlatias recepteket kínál a megfelelő Python-kóddal és a legjobb gyakorlatokra vonatkozó útmutatással együtt. Sok felhasználó értékeli a könyv frissített tartalmát és közérthető stílusát, ami a kezdők és a tapasztalt adattudósok számára egyaránt hasznos. Néhány recenzens azonban megjegyezte, hogy bizonyos fejlett technikákat és a jellemzőválasztással és a mélytanulással kapcsolatos megbeszéléseket lehetne javítani, illetve bele lehetne foglalni.

⬤ Tömör és világos útmutatás a feature engineering technikákról.
⬤ Gyakorlati példák és gyakorlati kódrészletek a könnyű megvalósítás érdekében.
⬤ A különböző technikák átfogó lefedettsége, beleértve a haladó témákat is.
⬤ A 2. kiadás frissítései révén megőrzi aktualitását.
⬤ Kivételes minőségű Feature-Engine könyvtár.
⬤ A felhasználók széles köre számára alkalmas, a kezdőktől a tapasztalt szakemberekig.

⬤ Néhány haladó technikát, például a frekvenciatartománybeli adatreprezentációkat nem tárgyalja.
⬤ Korlátozottan tárgyalja a jellemzőválasztást, valamint a jellemzőmérnöki módszerek és a következtetési statisztika közötti kapcsolatot.
⬤ Néhány felhasználó úgy nyilatkozott, hogy hasznos lenne egyes módszerek hátrányainak mélyebb feltárása.

(11 olvasói vélemény alapján)

Eredeti címe:

Python Feature Engineering Cookbook - Second Edition: Over 70 recipes for creating, engineering, and transforming features to build machine learning m

Könyv tartalma:

Végponttól-végpontig tartó, reprodukálható funkciótervezési pipelinek létrehozása, amelyek nyílt forráskódú Python-könyvtárak használatával a termelésbe telepíthetők

Key Features:

⬤ Tanulja meg és valósítsa meg a feature engineering legjobb gyakorlatait.

⬤ Elősítse a tanulást több gyakorlati recept segítségével.

⬤ Elkészítsen végponttól végpontig tartó, teljesítőképes és reprodukálható feature engineering pipelineseket.

Book Description:

A feature engineering, a változók átalakításának és a jellemzők létrehozásának folyamata, bár időigényes, biztosítja, hogy a gépi tanulási modellek zökkenőmentesen működjenek. A Python Feature Engineering szakácskönyv második kiadása leveszi a feature engineeringből a küzdelmet azáltal, hogy gyakorlatias, gyakorlatias receptek sokaságán keresztül megmutatja, hogyan használhat nyílt forráskódú Python-könyvtárakat a folyamat felgyorsítására.

Ez a frissített kiadás az olyan alapvető adatproblémák kezelésével kezdődik, mint a hiányzó adatok és a kategorikus értékek, mielőtt áttérne a ferde eloszlások és a kiugró értékek kezelésére szolgáló stratégiákra. A befejező fejezetek megmutatják, hogyan lehet új funkciókat fejleszteni különböző típusú adatokból, beleértve a szöveget, az idősorokat és a relációs adatbázisokat. Számos nyílt forráskódú Python-könyvtár segítségével megtanulhatja, hogyan valósíthatja meg az egyes jellemzőfejlesztési módszereket teljesítőképes, reprodukálható és elegáns módon.

E Python-könyv végére rendelkezni fog a szükséges eszközökkel és szakértelemmel ahhoz, hogy magabiztosan tudjon végponttól végpontig tartó és reprodukálható feature engineering pipeline-okat létrehozni, amelyeket a termelésben is bevethet.

Mit fogsz tanulni:

⬤ A hiányzó adatok kiszámítása különböző egyváltozós és többváltozós módszerekkel.

⬤ Kategorikus változók kódolása egypontos, ordinális és számláló kódolással.

⬤ Kezelje az erősen kardinális kategorikus változókat.

⬤ Transzformálja, diszkretizálja és skálázza a változókat.

⬤ Változók létrehozása dátumból és időből a pandas és a Feature-engine segítségével.

⬤ Változók kombinálása új jellemzőkké.

⬤ Extraháljon jellemzőket szövegből és tranzakciós adatokból is a Featuretools segítségével.

⬤ Jellemzők létrehozása idősoros adatokból a tsfresh segítségével.

Kinek szól ez a könyv:

Ez a könyv a gépi tanulás és az adattudomány hallgatóinak és szakembereinek, valamint a gépi tanulási modellek telepítésén dolgozó szoftvermérnököknek szól, akik többet szeretnének megtudni arról, hogyan alakíthatják át adataikat és hozhatnak létre új funkciókat a gépi tanulási modellek jobb betanításához.