Leserbewertungen
Zusammenfassung:Das Buch ist eine viel beachtete Ressource für Feature-Engineering in Python und eignet sich besonders für Personen mit Vorkenntnissen in Data Science und maschinellem Lernen. Es bietet prägnante Code-Beispiele, praktische Rezepte für verschiedene Aufgaben und wird als wertvolle Referenz für die Datenmanipulation angesehen. Einigen Lesern fehlte es jedoch an Tiefe in Bezug auf den statistischen Kontext, und es wurden bestimmte Probleme mit der Kindle-Version gemeldet.
Vorteile:Schneller, prägnanter und effektiver Code für das Feature Engineering.
Nachteile:Wertvoll für die Automatisierung komplexer Prozesse und die Reduzierung des manuellen Aufwands.
(basierend auf 9 Leserbewertungen)
Originaltitel:
Python Feature Engineering Cookbook
Inhalt des Buches:
Extrahieren Sie genaue Informationen aus Daten, um Machine-Learning-Modelle mit Hilfe von NumPy-, SciPy-, Pandas- und Scikit-Learn-Bibliotheken zu trainieren und zu verbessern. Hauptmerkmale Entdecken Sie Lösungen für die Feature-Generierung, Feature-Extraktion und Feature-Auswahl Entdecken Sie den durchgängigen Feature-Engineering-Prozess für kontinuierliche, diskrete und unstrukturierte Datensätze Implementieren Sie moderne Feature-Extraktionstechniken mit den Python-Bibliotheken Pandas, Scikit-Learn, SciPy und NumPy.
Feature-Engineering ist von unschätzbarem Wert für die Entwicklung und Anreicherung Ihrer Machine-Learning-Modelle. In diesem Kochbuch werden Sie mit den besten Tools arbeiten, um Ihre Feature-Engineering-Pipelines und -Techniken zu optimieren und die Qualität Ihres Codes zu vereinfachen und zu verbessern.
Unter Verwendung von Python-Bibliotheken wie pandas, scikit-learn, Featuretools und Feature-engine lernen Sie, mit kontinuierlichen und diskreten Datensätzen zu arbeiten und Merkmale aus unstrukturierten Datensätzen zu transformieren. Sie werden die notwendigen Fähigkeiten entwickeln, um die besten Merkmale sowie die geeignetsten Extraktionstechniken auszuwählen. Dieses Buch enthält Python-Rezepte, die Ihnen helfen, das Feature-Engineering zu automatisieren und komplexe Prozesse zu vereinfachen. Außerdem lernen Sie verschiedene Feature-Engineering-Strategien kennen, wie die Box-Cox-Transformation, die Power-Transformation und die Log-Transformation in den Bereichen maschinelles Lernen, Reinforcement Learning und natürliche Sprachverarbeitung (NLP).
Am Ende dieses Buches werden Sie Tipps und praktische Lösungen für alle Ihre Feature-Engineering-Probleme gefunden haben. Was Sie lernen werden Vereinfachen Sie Ihre Feature-Engineering-Pipelines mit leistungsstarken Python-Paketen Bekommen Sie fehlende Werte in den Griff Kodieren Sie kategoriale Variablen mit einer breiten Palette von Techniken Gewinnen Sie schnell und mühelos Erkenntnisse aus Text Entwickeln Sie Features aus Transaktionsdaten und Zeitreihendaten Leiten Sie neue Features ab, indem Sie bestehende Variablen kombinieren Verstehen Sie, wie Sie Ihre Variablen transformieren, diskretisieren und skalieren können Erstellen Sie informative Variablen aus Datum und Zeit Für wen dieses Buch gedacht ist
Dieses Buch richtet sich an Fachleute für maschinelles Lernen, KI-Ingenieure, Datenwissenschaftler sowie NLP- und Reinforcement-Learning-Ingenieure, die ihre maschinellen Lernmodelle optimieren und mit den besten Funktionen anreichern möchten. Kenntnisse im Bereich des maschinellen Lernens und der Python-Programmierung werden Ihnen helfen, die in diesem Buch behandelten Konzepte zu verstehen. Inhaltsverzeichnis Vorhersehen von Variablenproblemen beim Aufbau von ML-Modellen Imputieren fehlender Daten Kodieren kategorischer Variablen Transformieren numerischer Variablen Durchführen von Variablendiskretisierung Arbeiten mit Ausreißern Ableiten von Merkmalen aus Datums- und Zeitvariablen Durchführen von Merkmalsskalierung Anwenden mathematischer Berechnungen auf Merkmale Erstellen von Merkmalen mit Transaktions- und Zeitreihendaten Extrahieren von Merkmalen aus Textvariablen
Weitere Daten des Buches:
| ISBN: | 9781789806311 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Kauf:
Derzeit verfügbar, auf Lager.
