Python Feature Engineering Cookbook - druhé vydanie: Viac ako 70 receptov na vytváranie, inžinierstvo a transformáciu funkcií na budovanie strojového učenia m

Recenzie čitateľov

Kniha „Python Feature Engineering Cookbook, 2nd Edition“ od Soledad Galli je komplexným zdrojom informácií na zvládnutie techník feature engineeringu v strojovom učení. Poskytuje stručné, praktické recepty spolu s príslušným kódom v jazyku Python a návodom na osvedčené postupy. Mnohí používatelia oceňujú aktualizovaný obsah a prístupný štýl knihy, vďaka čomu je užitočná pre začiatočníkov aj skúsených dátových vedcov. Niektorí recenzenti však poznamenali, že niektoré pokročilé techniky a diskusie o výbere príznakov a hlbokom učení by sa mohli zlepšiť alebo zahrnúť.

⬤ Stručné a jasné inštrukcie o technikách feature engineeringu.
⬤ Praktické príklady a praktické úryvky kódu na jednoduchú implementáciu.
⬤ Komplexné pokrytie rôznych techník vrátane pokročilých tém.
⬤ Zachováva si aktuálnosť vďaka aktualizáciám v 2. vydaní.
⬤ Výnimočná kvalita sprievodnej knižnice Feature-Engine.
⬤ Vhodné pre širokú škálu používateľov od začiatočníkov až po skúsených odborníkov.

⬤ Niektoré pokročilé techniky, ako napríklad reprezentácia údajov vo frekvenčnej oblasti, nie sú zahrnuté.
⬤ Obmedzená diskusia o výbere príznakov a vzťahu medzi metódami príznakového inžinierstva a inferenčnou štatistikou.
⬤ Niekoľko používateľov sa vyjadrilo, že by bolo prospešné hlbšie preskúmať nevýhody niektorých metód.

(na základe 11 čitateľských recenzií)

Pôvodný názov:

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

Obsah knihy:

Vytváranie reprodukovateľných pipeline pre inžinierstvo funkcií, ktoré možno nasadiť do výroby pomocou open-source knižníc Python

Kľúčové vlastnosti:

⬤ Učte sa a implementujte osvedčené postupy pre feature engineering.

⬤ Upevnite si učivo pomocou viacerých praktických receptov.

⬤ Vybudujte end-to-end feature engineering pipelines, ktoré sú výkonné a reprodukovateľné.

Popis knihy:

Feature engineering, proces transformácie premenných a vytvárania funkcií, hoci je časovo náročný, zabezpečuje bezproblémovú výkonnosť vašich modelov strojového učenia. Toto druhé vydanie knihy Python Feature Engineering Cookbook vás zbaví ťažkostí s feature engineeringom tým, že vám ukáže, ako používať open source knižnice jazyka Python na urýchlenie tohto procesu prostredníctvom množstva praktických, praktických receptov.

Toto aktualizované vydanie začína riešením základných problémov s údajmi, ako sú chýbajúce údaje a kategorické hodnoty, a potom sa venuje stratégiám na riešenie skreslených rozdelení a odľahlých hodnôt. Záverečné kapitoly vám ukážu, ako vytvoriť nové funkcie z rôznych typov údajov vrátane textu, časových radov a relačných databáz. S pomocou mnohých knižníc s otvoreným zdrojovým kódom v jazyku Python sa naučíte implementovať každú metódu feature engineeringu výkonným, reprodukovateľným a elegantným spôsobom.

Na konci tejto knihy o jazyku Python budete mať k dispozícii nástroje a odborné znalosti potrebné na to, aby ste mohli s istotou vytvárať end-to-end a reprodukovateľné pipeline feature engineeringu, ktoré možno nasadiť do produkcie.

Čo sa naučíte:

⬤ Vypočítať chýbajúce údaje pomocou rôznych jednorozmerných a viacrozmerných metód.

⬤ Kódovať kategorické premenné pomocou jednočíselného, poradového a počtového kódovania.

⬤ Spracovať vysoko kardinálne kategoriálne premenné.

⬤ Transformujte, diskretizujte a škálujte svoje premenné.

⬤ Vytváranie premenných z dátumu a času pomocou pandas a Feature-engine.

⬤ Skombinujte premenné do nových funkcií.

⬤ Extrahujte funkcie z textu, ako aj z transakčných údajov pomocou nástroja Featuretools.

⬤ Vytváranie funkcií z údajov časových radov pomocou tsfresh.

Pre koho je táto kniha určená:

Táto kniha je určená študentom a odborníkom v oblasti strojového učenia a dátovej vedy, ako aj softvérovým inžinierom pracujúcim na nasadzovaní modelov strojového učenia, ktorí sa chcú dozvedieť viac o tom, ako transformovať svoje údaje a vytvárať nové funkcie na lepšie trénovanie modelov strojového učenia.