Ingegneria delle caratteristiche per l'apprendimento automatico: Principi e tecniche per scienziati dei dati

Recensioni dei lettori

Il libro offre una solida introduzione all'ingegneria delle caratteristiche con esempi pratici in Python, rendendolo accessibile e altamente raccomandato. Tuttavia, alcuni lettori ritengono che manchi di profondità, che abbia problemi di qualità grafica e che abbia un prezzo eccessivo, considerando la sua lunghezza.

⬤ Facile da leggere
⬤ esempi chiari in Python
⬤ buon riferimento per l'apprendimento automatico
⬤ ben scritto e altamente raccomandato
⬤ copre i concetti e le tecniche essenziali dell'ingegneria delle caratteristiche.

⬤ Sembra incompiuto e troppo breve
⬤ diversi livelli di spiegazione
⬤ scarsa qualità della grafica disegnata a mano
⬤ alcuni consigli controversi
⬤ percepito come eccessivamente costoso rispetto alla sua effettiva lunghezza.

(basato su 15 recensioni dei lettori)

Titolo originale:

Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists

Contenuto del libro:

L'ingegneria delle caratteristiche è una fase cruciale della pipeline dell'apprendimento automatico, eppure questo argomento è raramente esaminato da solo. Con questo libro pratico, imparerete le tecniche per estrarre e trasformare le caratteristiche - le rappresentazioni numeriche dei dati grezzi - in formati per i modelli di apprendimento automatico. Ogni capitolo vi guida attraverso un singolo problema di dati, come ad esempio la rappresentazione di dati di testo o di immagini. Insieme, questi esempi illustrano i principi principali dell'ingegneria delle caratteristiche.

Piuttosto che insegnare semplicemente questi principi, le autrici Alice Zheng e Amanda Casari si concentrano sull'applicazione pratica con esercizi in tutto il libro. Il capitolo conclusivo riunisce il tutto affrontando un set di dati strutturati del mondo reale con diverse tecniche di feature engineering. Negli esempi di codice vengono utilizzati pacchetti Python come numpy, Pandas, Scikit-learn e Matplotlib.

Verranno esaminati:

⬤ Tecniche di feature engineering per dati numerici: filtraggio, binning, scaling, log transforms e power transforms.

⬤ Tecniche di testo naturale: bag-of-words, n-grammi e rilevamento di frasi.

⬤ Filtraggio basato sulla frequenza e scalatura delle caratteristiche per eliminare le caratteristiche non informative.

⬤ Tecniche di codifica di variabili categoriali, tra cui hashing delle caratteristiche e conteggio dei bin.

⬤ Ingegnerizzazione delle caratteristiche basata sui modelli con l'analisi delle componenti principali.

⬤ Il concetto di model stacking, utilizzando k-means come tecnica di featurizzazione.

⬤ Estrazione di caratteristiche dell'immagine con tecniche manuali e di deep-learning.