Feature Engineering Bookcamp: Verbessern Sie Ihre Pipelines für maschinelles Lernen

Feature Engineering Bookcamp (Sinan Ozdemir)

Leserbewertungen

Zusammenfassung:

Das rezensierte Buch „Feature Engineering Bookcamp“ wird für seinen praktischen Ansatz bei der Entwicklung von Merkmalen hoch gelobt. Es bietet Fallstudien aus dem wirklichen Leben und leicht verständliche Anleitungen, die sowohl für Anfänger als auch für erfahrene ML-Praktiker geeignet sind. Obwohl das Buch als unverzichtbare Ressource für das Verständnis von Feature Engineering angesehen wird, wiesen einige Rezensenten auf verbesserungswürdige Bereiche hin, insbesondere in Bezug auf Effizienz und Testmethoden.

Vorteile:

⬤ Ausgezeichnete Fallstudien aus verschiedenen Bereichen.
⬤ Praktischer Fokus auf die Implementierung und nicht auf die Theorie.
⬤ Klare und prägnante Sprache.
⬤ Zeitgemäße Referenz für datenzentriertes maschinelles Lernen.
⬤ Umfassende Abdeckung von Feature-Engineering-Konzepten.
⬤ Eingehende Diskussion von Bias-Erkennung und -Entschärfung.
⬤ Einführung in Feature-Stores für ML.
⬤ Enthält zusätzlichen Code auf GitHub.
⬤ Zugang zum LiveBook mit physischer Kopie.

Nachteile:

⬤ Könnte von einer besseren Strukturierung der Kapitel profitieren, um die Effizienz beim Testen mehrerer Feature-Engineering-Pipelines zu erhöhen.
⬤ Fehlende Untersuchung von Auto-ML-Frameworks zur Implementierung von Techniken.
⬤ Einige Rezensenten hätten sich gewünscht, dass sie dieses Buch schon früher in ihrer Laufbahn kennengelernt hätten.

(basierend auf 5 Leserbewertungen)

Inhalt des Buches:

Erzielen Sie enorme Verbesserungen in Ihren Pipelines für maschinelles Lernen, ohne stundenlanges Feintuning der Parameter! Die praktischen Fallstudien in diesem Buch zeigen Feature-Engineering-Techniken auf, die Ihre Datenverarbeitung verbessern - und Ihre ML-Ergebnisse.

Im Feature Engineering Bookcamp lernen Sie, wie Sie:

Identifizieren und Implementieren von Feature-Transformationen für Ihre Daten.

Leistungsstarke Pipelines für maschinelles Lernen mit unstrukturierten Daten wie Text und Bildern zu erstellen.

Quantifizierung und Minimierung von Verzerrungen in maschinellen Lernpipelines auf Datenebene.

Verwendung von Merkmalsspeichern zum Aufbau von Echtzeit-Pipelines für die Merkmalstechnik.

Verbesserung bestehender Pipelines für maschinelles Lernen durch Manipulation der Eingabedaten.

Verwendung modernster Deep-Learning-Modelle zur Extraktion verborgener Muster in Daten.

Das Feature Engineering Bookcamp führt Sie durch eine Sammlung von Projekten, in denen Sie die wichtigsten Techniken des Feature Engineering praktisch anwenden können. Sie werden mit Feature-Engineering-Praktiken arbeiten, die die Zeit für die Datenverarbeitung verkürzen und die Leistung Ihres Modells tatsächlich verbessern. Dieses sofort einsetzbare Buch verzichtet auf abstrakte mathematische Theorie und minutiös ausgearbeitete Formeln. Stattdessen lernen Sie anhand interessanter, codebasierter Fallstudien, darunter die Klassifizierung von Tweets, die Erkennung von COVID, die Vorhersage von Rückfällen, die Erkennung von Aktienkursbewegungen und vieles mehr.

Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.

Über die Technologie.

Erzielen Sie bessere Ergebnisse aus Pipelines für maschinelles Lernen, indem Sie Ihre Trainingsdaten verbessern! Nutzen Sie Feature-Engineering, eine Technik des maschinellen Lernens zur Entwicklung relevanter Eingabevariablen auf der Grundlage Ihrer vorhandenen Daten, um das Training zu vereinfachen und die Modellleistung zu verbessern. Während die Feinabstimmung von Hyperparametern oder das Optimieren von Modellen einen kleinen Leistungsschub bringen kann, sorgt das Feature Engineering für dramatische Verbesserungen, indem es Ihre Datenpipeline umgestaltet.

Über dieses Buch.

Das Feature Engineering Bookcamp führt Sie durch sechs praktische Projekte, in denen Sie lernen, Ihre Trainingsdaten mithilfe von Feature Engineering zu verbessern. Jedes Kapitel befasst sich mit einer neuen, codegesteuerten Fallstudie aus realen Branchen wie dem Finanz- und Gesundheitswesen. Sie üben das Bereinigen und Umwandeln von Daten, das Verringern von Verzerrungen und vieles mehr. Das Buch ist voll von leistungssteigernden Tipps für alle wichtigen ML-Subdomänen - von der natürlichen Sprachverarbeitung bis zur Zeitreihenanalyse.

Was drin ist.

Identifizieren und Implementieren von Merkmalstransformationen.

Aufbau von Pipelines für maschinelles Lernen mit unstrukturierten Daten.

Quantifizierung und Minimierung von Verzerrungen in ML-Pipelines.

Verwendung von Merkmalsspeichern zum Aufbau von Echtzeit-Pipelines für die Merkmalstechnik.

Verbessern Sie bestehende Pipelines durch die Manipulation von Eingabedaten.

Über den Leser.

Für erfahrene Ingenieure für maschinelles Lernen, die mit Python vertraut sind.

Über den Autor.

Sinan Özdemir ist der Gründer und CTO von Shiba, ehemaliger Dozent für Data Science an der Johns Hopkins University und Autor mehrerer Lehrbücher über Data Science und maschinelles Lernen.

Inhaltsverzeichnis.

1 Einführung in das Feature Engineering.

2 Die Grundlagen des Feature Engineering.

3 Gesundheitswesen: Diagnose von COVID-19.

4 Voreingenommenheit und Fairness: Modellierung der Rückfälligkeit.

5 Verarbeitung natürlicher Sprache: Klassifizierung von Stimmungen in sozialen Medien.

6 Computer Vision: Objekterkennung.

7 Zeitreihenanalyse: Tageshandel mit maschinellem Lernen.

8 Merkmalsspeicher.

9 Das Ganze zusammenfügen.