Python Feature Engineering Cookbook - wydanie drugie: Ponad 70 przepisów na tworzenie, inżynierię i przekształcanie funkcji w celu budowania systemów uczenia maszynowego.

Opinie czytelników

„Python Feature Engineering Cookbook, 2nd Edition” autorstwa Soledad Galli to kompleksowe źródło wiedzy na temat technik inżynierii cech w uczeniu maszynowym. Zawiera zwięzłe, praktyczne przepisy wraz z odpowiednim kodem Pythona i wskazówkami dotyczącymi najlepszych praktyk. Wielu użytkowników docenia zaktualizowaną zawartość książki i przystępny styl, dzięki czemu jest ona przydatna zarówno dla początkujących, jak i doświadczonych analityków danych. Niektórzy recenzenci zauważyli jednak, że niektóre zaawansowane techniki i dyskusje na temat selekcji cech i głębokiego uczenia mogłyby zostać ulepszone lub uwzględnione.

⬤ Zwięzłe i jasne instrukcje dotyczące technik inżynierii cech.
⬤ Praktyczne przykłady i praktyczne fragmenty kodu ułatwiające implementację.
⬤ Kompleksowe omówienie różnych technik, w tym zaawansowanych tematów.
⬤ Zachowanie aktualności dzięki aktualizacjom w 2. edycji.
⬤ Wyjątkowa jakość towarzyszącej biblioteki Feature-Engine.
⬤ Odpowiedni dla szerokiego grona użytkowników, od początkujących po doświadczonych praktyków.

⬤ Niektóre zaawansowane techniki, takie jak reprezentacje danych w dziedzinie częstotliwości, nie zostały uwzględnione.
⬤ Ograniczona dyskusja na temat selekcji cech i relacji między metodami inżynierii cech a statystyką inferencyjną.
⬤ Kilku użytkowników stwierdziło, że korzystne byłoby głębsze zbadanie wad niektórych metod.

(na podstawie 11 opinii czytelników)

Oryginalny tytuł:

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

Zawartość książki:

Tworzenie kompleksowych, powtarzalnych potoków inżynierii funkcji, które można wdrożyć do produkcji przy użyciu bibliotek Python typu open source.

Kluczowe cechy:

⬤ Ucz się i wdrażaj najlepsze praktyki inżynierii funkcji.

⬤ Wzmocnij swoją naukę za pomocą wielu praktycznych przepisów.

⬤ Zbuduj kompleksowe potoki inżynierii funkcji, które są wydajne i powtarzalne.

Opis książki:

Inżynieria cech, proces przekształcania zmiennych i tworzenia cech, choć czasochłonny, zapewnia płynne działanie modeli uczenia maszynowego. Druga edycja książki Python Feature Engineering Cookbook eliminuje trudności związane z inżynierią funkcji, pokazując, jak korzystać z otwartych bibliotek Pythona, aby przyspieszyć ten proces dzięki mnóstwu praktycznych, praktycznych przepisów.

To zaktualizowane wydanie rozpoczyna się od omówienia podstawowych wyzwań związanych z danymi, takich jak brakujące dane i wartości kategoryczne, a następnie przechodzi do strategii radzenia sobie z rozkładami skośnymi i wartościami odstającymi. Ostatnie rozdziały pokazują, jak rozwijać nowe funkcje z różnych typów danych, w tym tekstu, szeregów czasowych i relacyjnych baz danych. Z pomocą licznych bibliotek Pythona o otwartym kodzie źródłowym dowiesz się, jak wdrożyć każdą metodę inżynierii cech w wydajny, powtarzalny i elegancki sposób.

Pod koniec tej książki w języku Python będziesz mieć narzędzia i wiedzę potrzebną do pewnego tworzenia kompleksowych i powtarzalnych potoków inżynierii funkcji, które można wdrożyć do produkcji.

Czego się nauczysz:

⬤ Obliczać brakujące dane przy użyciu różnych metod jedno- i wielowymiarowych.

⬤ Kodować zmienne kategorialne za pomocą kodowania jedno-, porządkowego i zliczeniowego.

⬤ Obsługa wysoce kardynalnych zmiennych kategorialnych.

⬤ Przekształcanie, dyskretyzacja i skalowanie zmiennych.

⬤ Tworzenie zmiennych na podstawie daty i czasu za pomocą pand i Feature-engine.

⬤ Łączenie zmiennych w nowe funkcje.

⬤ Wyodrębnianie cech z tekstu, a także z danych transakcyjnych za pomocą Featuretools.

⬤ Tworzenie cech z danych szeregów czasowych za pomocą tsfresh.

Dla kogo jest ta książka:

Ta książka jest przeznaczona dla studentów i profesjonalistów zajmujących się uczeniem maszynowym i nauką o danych, a także inżynierów oprogramowania pracujących nad wdrażaniem modeli uczenia maszynowego, którzy chcą dowiedzieć się więcej o tym, jak przekształcać swoje dane i tworzyć nowe funkcje do trenowania modeli uczenia maszynowego w lepszy sposób.