Bookcamp poświęcony inżynierii funkcji

Opinie czytelników

Recenzowana książka, „Feature Engineering Bookcamp”, jest wysoko oceniana za praktyczne podejście do inżynierii cech, oferując rzeczywiste studia przypadków i przystępne wskazówki idealne zarówno dla nowicjuszy, jak i doświadczonych praktyków ML. Chociaż książka ta jest uważana za niezbędne źródło wiedzy na temat inżynierii cech, niektórzy recenzenci zauważyli obszary wymagające poprawy, szczególnie pod względem wydajności i metodologii testowania.

⬤ Doskonałe studia przypadków z różnych dziedzin.
⬤ Praktyczny nacisk na implementację, a nie teorię.
⬤ Jasny i zwięzły język.
⬤ Aktualne odniesienie do uczenia maszynowego skoncentrowanego na danych.
⬤ Kompleksowe omówienie koncepcji inżynierii cech.
⬤ Dogłębne omówienie wykrywania i łagodzenia błędów.
⬤ Wprowadzenie do magazynów cech dla ML.
⬤ Zawiera dodatkowy kod na GitHub.
⬤ Dostęp do LiveBook z fizyczną kopią.

⬤ Przydałaby się lepsza struktura rozdziałów w celu zwiększenia wydajności testowania wielu potoków inżynierii cech.
⬤ Brak eksploracji frameworków auto-ML do implementacji technik.
⬤ Niektórzy recenzenci żałowali, że nie mieli dostępu do tej książki na wcześniejszym etapie swojej kariery.

(na podstawie 5 opinii czytelników)

Oryginalny tytuł:

Feature Engineering Bookcamp

Zawartość książki:

Dostarczaj ogromne usprawnienia do swoich potoków uczenia maszynowego bez spędzania godzin na dostrajaniu parametrów! Praktyczne studia przypadków zawarte w tej książce ujawniają techniki inżynierii cech, które ulepszają przetwarzanie danych - i wyniki uczenia maszynowego.

W Feature Engineering Bookcamp dowiesz się, jak:

Identyfikować i wdrażać transformacje cech dla swoich danych.

Tworzyć potężne potoki uczenia maszynowego z nieustrukturyzowanymi danymi, takimi jak tekst i obrazy.

Kwantyfikować i minimalizować stronniczość w potokach uczenia maszynowego na poziomie danych.

Używanie magazynów funkcji do tworzenia potoków inżynierii funkcji w czasie rzeczywistym.

Ulepszanie istniejących potoków uczenia maszynowego poprzez manipulowanie danymi wejściowymi.

Wykorzystanie najnowocześniejszych modeli głębokiego uczenia do wydobywania ukrytych wzorców w danych.

Feature Engineering Bookcamp poprowadzi Cię przez kolekcję projektów, które zapewnią Ci praktyczną praktykę z podstawowymi technikami inżynierii funkcji. Będziesz pracować z praktykami inżynierii funkcji, które przyspieszają czas przetwarzania danych i zapewniają rzeczywistą poprawę wydajności modelu. Ta natychmiast przydatna książka pomija abstrakcyjną teorię matematyczną i szczegółowe formuły; zamiast tego nauczysz się poprzez interesujące studia przypadków oparte na kodzie, w tym klasyfikację tweetów, wykrywanie COVID, przewidywanie recydywy, wykrywanie ruchów cen akcji i wiele innych.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii.

Uzyskaj lepsze wyniki z potoków uczenia maszynowego, poprawiając dane treningowe! Wykorzystaj inżynierię cech, technikę uczenia maszynowego do projektowania odpowiednich zmiennych wejściowych w oparciu o istniejące dane, aby uprościć szkolenie i zwiększyć wydajność modelu. Podczas gdy dostrajanie hiperparametrów lub ulepszanie modeli może zapewnić niewielki wzrost wydajności, inżynieria cech zapewnia radykalną poprawę poprzez przekształcenie potoku danych.

O książce.

Feature Engineering Bookcamp przeprowadzi Cię przez sześć praktycznych projektów, w których nauczysz się ulepszać swoje dane szkoleniowe za pomocą inżynierii funkcji. Każdy rozdział zawiera nowe studium przypadku oparte na kodzie, zaczerpnięte z rzeczywistych branż, takich jak finanse i opieka zdrowotna. Będziesz ćwiczyć czyszczenie i przekształcanie danych, łagodzenie uprzedzeń i nie tylko. Książka jest pełna wskazówek zwiększających wydajność dla wszystkich głównych subdomen ML - od przetwarzania języka naturalnego po analizę szeregów czasowych.

Co zawiera.

Identyfikacja i wdrażanie transformacji funkcji.

Tworzenie potoków uczenia maszynowego z nieustrukturyzowanymi danymi.

Kwantyfikacja i minimalizacja stronniczości w potokach uczenia maszynowego.

Wykorzystanie magazynów cech do tworzenia potoków inżynierii cech w czasie rzeczywistym.

Ulepszanie istniejących potoków poprzez manipulowanie danymi wejściowymi.

O czytelniku.

Dla doświadczonych inżynierów uczenia maszynowego znających język Python.

O autorze.

Sinan Ozdemir jest założycielem i dyrektorem technicznym firmy Shiba, byłym wykładowcą Data Science na Uniwersytecie Johnsa Hopkinsa oraz autorem wielu podręczników z zakresu nauki o danych i uczenia maszynowego.

Spis treści.

1 Wprowadzenie do inżynierii cech.

2 Podstawy inżynierii cech.

3 Opieka zdrowotna: Diagnozowanie COVID-19.

4 Stronniczość i sprawiedliwość: Modelowanie recydywy.

5 Przetwarzanie języka naturalnego: Klasyfikacja nastrojów w mediach społecznościowych.

6 Wizja komputerowa: Rozpoznawanie obiektów.

7 Analiza szeregów czasowych: Handel dzienny z wykorzystaniem uczenia maszynowego.

8 Magazyny funkcji.

9 Łączenie wszystkiego w całość.