Recenzie čitateľov
Zhrnutie:Recenzovaná kniha „Feature Engineering Bookcamp“ je vysoko oceňovaná pre svoj praktický prístup k inžinierstvu prvkov, ktorý ponúka prípadové štúdie z reálneho života a prístupný návod ideálny pre začiatočníkov aj skúsených odborníkov v oblasti ML. Hoci sa považuje za základný zdroj informácií na pochopenie feature engineeringu, niektorí recenzenti zaznamenali oblasti, ktoré je potrebné zlepšiť, najmä pokiaľ ide o efektívnosť a metodiky testovania.
Výhody:⬤ Vynikajúce prípadové štúdie z rôznych oblastí.
⬤ Praktické zameranie skôr na implementáciu ako na teóriu.
⬤ Jasný a stručný jazyk.
⬤ Včasná referencia pre strojové učenie zamerané na údaje.
⬤ Komplexné pokrytie konceptov feature engineeringu.
⬤ Hĺbková diskusia o zisťovaní a zmierňovaní skreslenia.
⬤ Úvod do úložísk príznakov pre ML.
⬤ Obsahuje doplnkový kód na GitHube.
⬤ Prístup k LiveBook s fyzickou kópiou.
Nevýhody:⬤ Mohlo by prospieť lepšie štruktúrovanie kapitol pre efektívnosť pri testovaní viacerých potrubí feature engineeringu.
⬤ Chýba preskúmanie rámcov na implementáciu techník automatického ML.
⬤ Niektorí recenzenti si želali, aby mali prístup k tejto knihe na začiatku svojej kariéry.
(na základe 5 čitateľských recenzií)
Obsah knihy:
Dosiahnite obrovské vylepšenia svojich pipeline strojového učenia bez toho, aby ste museli tráviť hodiny dolaďovaním parametrov! Praktické prípadové štúdie v tejto knihe odhaľujú techniky feature engineeringu, ktoré vylepšia vaše spracovanie dát - a vaše výsledky ML.
V knihe Feature Engineering Bookcamp sa naučíte, ako:
Identifikovať a implementovať transformácie príznakov pre vaše údaje.
Vytvoriť výkonné potrubia strojového učenia s neštruktúrovanými dátami, ako sú text a obrázky.
Kvantifikovať a minimalizovať skreslenie v pipeline strojového učenia na úrovni dát.
Používať úložiská príznakov na budovanie pipeline príznakového inžinierstva v reálnom čase.
Vylepšite existujúce pipeline strojového učenia manipuláciou so vstupnými údajmi.
Používať najmodernejšie modely hlbokého učenia na extrakciu skrytých vzorov v údajoch.
Feature Engineering Bookcamp vás prevedie zbierkou projektov, ktoré vám poskytnú praktické skúsenosti s hlavnými technikami feature engineeringu. Budete pracovať s postupmi feature engineeringu, ktoré urýchľujú čas potrebný na spracovanie údajov a prinášajú skutočné zlepšenie výkonnosti vášho modelu. Táto okamžite použiteľná kniha vynecháva abstraktnú matematickú teóriu a minuciózne vzorce; namiesto toho sa budete učiť prostredníctvom zaujímavých prípadových štúdií riadených kódom, vrátane klasifikácie tweetov, detekcie COVID, predpovedania recidívy, detekcie pohybu cien akcií a ďalších.
Zakúpenie tlačenej knihy zahŕňa bezplatnú elektronickú knihu vo formátoch PDF, Kindle a ePub od vydavateľstva Manning Publications.
O technológiách: Kniha je určená pre používateľov, ktorí majú záujem o informácie z internetu.
Získajte lepšie výstupy z pipeline strojového učenia zlepšením trénovacích údajov! Použite feature engineering, techniku strojového učenia na navrhovanie relevantných vstupných premenných na základe vašich existujúcich údajov, na zjednodušenie trénovania a zvýšenie výkonnosti modelu. Zatiaľ čo jemné doladenie hyperparametrov alebo úprava modelov vám môže priniesť drobné zvýšenie výkonu, feature engineering prináša dramatické zlepšenia tým, že transformuje vaše dátové potrubie.
O knihe.
V Bookcampe Feature Engineering sa zúčastníte šiestich praktických projektov, v ktorých sa naučíte vylepšovať svoje tréningové údaje pomocou feature engineeringu. Každá kapitola skúma novú prípadovú štúdiu založenú na kóde, ktorá pochádza z reálnych odvetví, ako sú financie a zdravotníctvo. Precvičíte si čistenie a transformáciu údajov, zmierňovanie skreslenia a ďalšie. Kniha je plná tipov na zvýšenie výkonu pre všetky hlavné subdomény ML - od spracovania prirodzeného jazyka až po analýzu časových radov.
Čo nájdete vo vnútri.
Identifikujte a implementujte transformácie funkcií.
Vytvárajte potrubia strojového učenia s neštruktúrovanými údajmi.
Kvantifikujte a minimalizujte skreslenie v pipeline ML.
Používajte úložiská príznakov na vytváranie pipeline príznakového inžinierstva v reálnom čase.
Vylepšite existujúce pipeline manipuláciou so vstupnými údajmi.
Informácie o čitateľovi.
Pre skúsených inžinierov strojového učenia znalých jazyka Python.
O autorovi.
Sinan Ozdemir je zakladateľ a technický riaditeľ spoločnosti Shiba, bývalý lektor dátovej vedy na Univerzite Johnsa Hopkinsa a autor viacerých učebníc o dátovej vede a strojovom učení.
Obsah.
1 Úvod do príznakového inžinierstva.
2 Základy príznakového inžinierstva.
3 Zdravotníctvo: Diagnostika COVID-19.
4 Predpojatosť a spravodlivosť: Modelovanie recidívy.
5 Spracovanie prirodzeného jazyka: Klasifikácia nálad v sociálnych médiách.
6 Počítačové videnie: Rozpoznávanie objektov.
7 Analýza časových radov: Denné obchodovanie so strojovým učením.
8 Úložiská funkcií.
9 Všetko dohromady.
