توضیحات
Deliver huge improvements to your machine learning pipelines without spending hours fine-tuning parameters! This books practical case-studies reveal feature engineering techniques that upgrade your data wranglingand your ML results.
In Feature Engineering Bookcamp you will learn how to
Identify and implement feature transformations for your data
Build powerful machine learning pipelines with unstructured data like text and images
Quantify and minimize bias in machine learning pipelines at the data level
Use feature stores to build real-time feature engineering pipelines
Enhance existing machine learning pipelines by manipulating the input data
Use state-of-the-art deep learning models to extract hidden patterns in data
Feature Engineering Bookcamp guides you through a collection of projects that give you hands-on practice with core feature engineering techniques. Youll work with feature engineering practices that speed up the time it takes to process data and deliver real improvements in your models performance. This instantly-useful book skips the abstract mathematical theory and minutely-detailed formulas; instead youll learn through interesting code-driven case studies, including tweet classification, COVID detection, recidivism prediction, stock price movement detection, and more.
About the technology
Get better output from machine learning pipelines by improving your training data! Use feature engineering, a machine learning technique for designing relevant input variables based on your existing data, to simplify training and enhance model performance. While fine-tuning hyperparameters or tweaking models may give you a minor performance bump, feature engineering delivers dramatic improvements by transforming your data pipeline.
About the book
Feature Engineering Bookcamp walks you through six hands-on projects where youll learn to upgrade your training data using feature engineering. Each chapter explores a new code-driven case study, taken from real-world industries like finance and healthcare. Youll practice cleaning and transforming data, mitigating bias, and more. The book is full of performance-enhancing tips for all major ML subdomainsfrom natural language processing to time-series analysis.
What’s inside
Identify and implement feature transformations
Build machine learning pipelines with unstructured data
Quantify and minimize bias in ML pipelines
Use feature stores to build real-time feature engineering pipelines
Enhance existing pipelines by manipulating input data
About the reader
For experienced machine learning engineers familiar with Python.
About the author
Sinan Ozdemir is the founder and CTO of Shiba, a former lecturer of Data Science at Johns Hopkins University, and the author of multiple textbooks on data science and machine learning.
Table of Contents
1 Introduction to feature engineering
2 The basics of feature engineering
3 Healthcare: Diagnosing COVID-19
4 Bias and fairness: Modeling recidivism
5 Natural language processing: Classifying social media sentiment
6 Computer vision: Object recognition
7 Time series analysis: Day trading with machine learning
8 Feature stores
9 Putting it all together
————————————————————–
ترجمه ماشینی :
بدون صرف ساعتها تنظیم دقیق پارامترها، پیشرفتهای عظیمی را در خطوط لوله یادگیری ماشین خود ارائه دهید! این کتاب مطالعات موردی عملی تکنیکهای مهندسی ویژگیهایی را نشان میدهد که اختلافات دادههای شما و نتایج ML شما را ارتقا میدهند. در Feature Engineering Bookcamp یاد خواهید گرفت که چگونه \ تبدیل ویژگی ها را برای داده های خود شناسایی و پیاده سازی کنید خطوط لوله یادگیری ماشینی قدرتمند با داده های بدون ساختار مانند متن و تصاویر بسازید کمیت و به حداقل رساندن سوگیری در خطوط لوله یادگیری ماشین در سطح داده استفاده از ویژگی ذخیرهسازی برای ساخت خطوط لوله مهندسی ویژگیهای بلادرنگ خطوط لوله یادگیری ماشینی موجود با دستکاری دادههای ورودی را تقویت کنید از مدلهای پیشرفته یادگیری عمیق برای استخراج الگوهای پنهان در دادهها استفاده کنید \ کمپ کتاب مهندسی ویژگی شما را در مجموعهای از پروژهها راهنمایی میکند. که به شما تمرین عملی با تکنیک های مهندسی ویژگی های اصلی می دهد. شما با روشهای مهندسی ویژگی کار خواهید کرد که زمان پردازش دادهها را سرعت میبخشد و بهبودهای واقعی را در عملکرد مدلهای شما ارائه میکند. این کتاب فوراً مفید، نظریه انتزاعی ریاضی و فرمولهای با جزئیات دقیق را نادیده میگیرد. در عوض شما از طریق مطالعات موردی جالب مبتنی بر کد، از جمله طبقهبندی توییت، تشخیص COVID، پیشبینی تکرار جرم، تشخیص حرکت قیمت سهام و موارد دیگر، یاد میگیرید. درباره فناوری با بهبود داده های آموزشی خود خروجی بهتری از خطوط لوله یادگیری ماشین بگیرید! از مهندسی ویژگی، یک تکنیک یادگیری ماشین برای طراحی متغیرهای ورودی مرتبط بر اساس دادههای موجود، برای سادهسازی آموزش و افزایش عملکرد مدل استفاده کنید. در حالی که تنظیم دقیق هایپرپارامترها یا مدلهای بهینهسازی ممکن است باعث افزایش عملکرد جزئی شود، مهندسی ویژگی با تغییر خط لوله داده شما، پیشرفتهای چشمگیری را ارائه میکند. درباره کتاب Feature Engineering Bookcamp شما را در شش پروژه عملی راهنمایی می کند که در آنها یاد می گیرید داده های آموزشی خود را با استفاده از مهندسی ویژگی ارتقا دهید. هر فصل یک مطالعه موردی کد محور جدید را بررسی میکند که از صنایع دنیای واقعی مانند امور مالی و مراقبتهای بهداشتی گرفته شده است. شما تمیز کردن و تبدیل داده ها، کاهش تعصب و موارد دیگر را تمرین خواهید کرد. این کتاب مملو از نکات افزایش عملکرد برای همه زیر دامنههای اصلی ML از پردازش زبان طبیعی تا تجزیه و تحلیل سریهای زمانی است. چه چیزی در داخل است تبدیل ویژگی ها را شناسایی و پیاده سازی کنید ساخت خطوط لوله یادگیری ماشین با داده های بدون ساختار کمی سازی و به حداقل رساندن سوگیری در خطوط لوله ML از فروشگاه های ویژگی برای ساخت خطوط لوله مهندسی ویژگی های بلادرنگ استفاده کنید خطوط لوله موجود را با دستکاری داده های ورودی تقو
tag : دانلود کتاب کمپ کتاب مهندسی ویژه , Download کمپ کتاب مهندسی ویژه , دانلود کمپ کتاب مهندسی ویژه , Download Feature Engineering Bookcamp Book , کمپ کتاب مهندسی ویژه دانلود , buy کمپ کتاب مهندسی ویژه , خرید کتاب کمپ کتاب مهندسی ویژه , دانلود کتاب Feature Engineering Bookcamp , کتاب Feature Engineering Bookcamp , دانلود Feature Engineering Bookcamp , خرید Feature Engineering Bookcamp , خرید کتاب Feature Engineering Bookcamp ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.