دانلود کتاب Feature Engineering for Machine Learning and Data Analytics – مهندسی ویژگی برای یادگیری ماشین و تجزیه و تحلیل داده ها

• توضیحات
• نظرات (0)

Abstract: ‘Feature engineering plays a vital role in big data analytics. Machine learning and data mining algorithms cannot work without data. Little can be achieved if there are few features to represent the underlying data objects, and the quality of results of those algorithms largely depends on the quality of the available features. Feature Engineering for Machine Learning and Data Analytics provides a comprehensive introduction to feature engineering, including feature generation, feature extraction, feature transformation, feature selection, and feature analysis and evaluation. The book presents key concepts, methods, examples, and applications, as well as chapters on feature engineering for major data types such as texts, images, sequences, time series, graphs, streaming data, software engineering data, Twitter data, and social media data. It also contains generic feature generation approaches, as well as methods for generating tried-and-tested, hand-crafted, domain-specific features. The first chapter defines the concepts of features and feature engineering, offers an overview of the book, and provides pointers to topics not covered in this book. The next six chapters are devoted to feature engineering, including feature generation for specific data types. The subsequent four chapters cover generic approaches for feature engineering, namely feature selection, feature transformation based feature engineering, deep learning based feature engineering, and pattern based feature generation and engineering. The last three chapters discuss feature engineering for social bot detection, software management, and Twitter-based applications respectively. This book can be used as a reference for data analysts, big data scientists, data preprocessing workers, project managers, project developers, prediction modelers, professors, researchers, graduate students, and upper level undergraduate students. It can also be used as the primary text for courses on feature engineering, or as a supplement for courses on machine learning, data mining, and big data analytics.’–Provided by publisher

————————————————————–

ترجمه ماشینی :

مهندسی ویژگی نقشی حیاتی در تجزیه و تحلیل کلان داده ایفا می کند. الگوریتم های یادگیری ماشین و داده کاوی بدون داده کار نمی کنند. اگر ویژگی های کمی برای نشان دادن اشیاء داده های زیربنایی وجود داشته باشد، می توان چیز کمی به دست آورد، و کیفیت نتایج آن الگوریتم ها تا حد زیادی به کیفیت ویژگی های موجود بستگی دارد. مهندسی ویژگی برای یادگیری ماشین و تجزیه و تحلیل داده ها مقدمه ای جامع برای مهندسی ویژگی، از جمله تولید ویژگی، استخراج ویژگی، تبدیل ویژگی، انتخاب ویژگی، و تجزیه و تحلیل و ارزیابی ویژگی ها ارائه می کند. . این کتاب مفاهیم کلیدی، روش‌ها، مثال‌ها و کاربردها و همچنین فصل‌هایی را در زمینه مهندسی ویژگی برای انواع داده‌های اصلی مانند متون، تصاویر، توالی‌ها، سری‌های زمانی، نمودارها، داده‌های جریانی، داده‌های مهندسی نرم‌افزار، داده‌های توییتر و رسانه‌های اجتماعی ارائه می‌کند. داده ها. همچنین شامل رویکردهای تولید ویژگی های عمومی و همچنین روش هایی برای تولید ویژگی های آزمایش شده و آزمایش شده، دست ساز و خاص دامنه است. فصل اول مفاهیم ویژگی‌ها و مهندسی ویژگی‌ها را تعریف می‌کند، یک نمای کلی از کتاب ارائه می‌دهد و اشاره‌هایی به موضوعاتی ارائه می‌کند که در این کتاب پوشش داده نشده‌اند. شش فصل بعدی به مهندسی ویژگی ها، از جمله تولید ویژگی برای انواع داده های خاص اختصاص دارد. چهار فصل بعدی، رویکردهای عمومی برای مهندسی ویژگی، یعنی انتخاب ویژگی، مهندسی ویژگی مبتنی بر تبدیل ویژگی، مهندسی ویژگی مبتنی بر یادگیری عمیق، و تولید و مهندسی ویژگی مبتنی بر الگو را پوشش می‌دهد. سه فصل آخر به ترتیب مهندسی ویژگی برای شناسایی ربات های اجتماعی، مدیریت نرم افزار و برنامه های کاربردی مبتنی بر توییتر را مورد بحث قرار می دهد. این کتاب می تواند به عنوان مرجعی برای تحلیلگران داده، دانشمندان کلان داده، کارگران پیش پردازش داده، مدیران پروژه، توسعه دهندگان پروژه، مدل سازان پیش بینی، اساتید، محققان، دانشجویان تحصیلات تکمیلی و دانشجویان مقطع کارشناسی ارشد استفاده شود. همچنین می‌تواند به‌عنوان متن اصلی برای دوره‌های مهندسی ویژگی، یا به‌عنوان مکمل دوره‌های یادگیری ماشین، داده‌کاوی، و تجزیه و تحلیل داده‌های بزرگ استفاده شود.’– ارائه شده توسط ناشر. ادامه مطلب…