Python Feature Engineering Cookbook - Seconda edizione: Oltre 70 ricette per la creazione, l'ingegnerizzazione e la trasformazione di funzioni per costruire sistemi di apprendimento automatico.

Recensioni dei lettori

Il “Python Feature Engineering Cookbook, 2nd Edition” di Soledad Galli è una risorsa completa per padroneggiare le tecniche di feature engineering nell'apprendimento automatico. Fornisce ricette pratiche e concise, insieme a codice Python pertinente e indicazioni sulle migliori pratiche. Molti utenti apprezzano i contenuti aggiornati e lo stile accessibile del libro, che lo rendono utile sia per i principianti che per i data scientist esperti. Tuttavia, alcuni recensori hanno notato che alcune tecniche avanzate e discussioni sulla selezione delle caratteristiche e sul deep learning potrebbero essere migliorate o incluse.

⬤ Istruzioni concise e chiare sulle tecniche di feature engineering.
⬤ Esempi pratici e snippet di codice per una facile implementazione.
⬤ Copertura completa di varie tecniche, compresi argomenti avanzati.
⬤ Mantiene la rilevanza grazie agli aggiornamenti della seconda edizione.
⬤ Eccezionale qualità della libreria Feature-Engine di accompagnamento.
⬤ Adatto a un'ampia gamma di utenti, dai principianti ai professionisti esperti.

⬤ Alcune tecniche avanzate, come la rappresentazione dei dati nel dominio della frequenza, non sono trattate.
⬤ Discussione limitata sulla selezione delle caratteristiche e sulla relazione tra i metodi di ingegneria delle caratteristiche e le statistiche inferenziali.
⬤ Alcuni utenti hanno espresso che sarebbe utile un'esplorazione più approfondita degli svantaggi di alcuni metodi.

(basato su 11 recensioni dei lettori)

Titolo originale:

Python Feature Engineering Cookbook - Second Edition: Over 70 recipes for creating, engineering, and transforming features to build machine learning m

Contenuto del libro:

Creare pipeline di feature engineering end-to-end e riproducibili che possono essere messe in produzione utilizzando librerie Python open-source.

Caratteristiche principali:

⬤ Apprendere e implementare le migliori pratiche di feature engineering.

⬤ Rafforzare l'apprendimento con l'aiuto di numerose ricette pratiche.

⬤ Costruire pipeline di feature engineering end-to-end che siano performanti e riproducibili.

Descrizione del libro:

L'ingegneria delle caratteristiche, il processo di trasformazione delle variabili e di creazione delle caratteristiche, sebbene richieda molto tempo, assicura che i modelli di apprendimento automatico funzionino senza problemi. Questa seconda edizione del Python Feature Engineering Cookbook vi aiuterà a risolvere il problema dell'ingegnerizzazione delle funzioni, mostrandovi come utilizzare le librerie open source di Python per accelerare il processo attraverso una pletora di ricette pratiche e pratiche.

Questa edizione aggiornata inizia affrontando le sfide fondamentali dei dati, come i dati mancanti e i valori categorici, prima di passare alle strategie per gestire le distribuzioni skewed e gli outlier. I capitoli conclusivi mostrano come sviluppare nuove funzionalità da vari tipi di dati, tra cui testo, serie temporali e database relazionali. Con l'aiuto di numerose librerie Python open source, imparerete a implementare ogni metodo di feature engineering in modo performante, riproducibile ed elegante.

Alla fine di questo libro su Python, avrete gli strumenti e le competenze necessarie per costruire con sicurezza pipeline di feature engineering end-to-end e riproducibili che possono essere messe in produzione.

Che cosa imparerete:

⬤ Imputare i dati mancanti utilizzando vari metodi univariati e multivariati.

⬤ Codificare variabili categoriche con codifica one-hot, ordinale e di conteggio.

⬤ Gestire variabili categoriche altamente cardinali.

⬤ Trasformare, discretizzare e scalare le variabili.

⬤ Creare variabili da data e ora con pandas e Feature-engine.

⬤ Combinare le variabili in nuove caratteristiche.

⬤ Estrarre caratteristiche dal testo e dai dati transazionali con Featuretools.

⬤ Creare funzioni da dati di serie temporali con tsfresh.

A chi è rivolto questo libro:

Questo libro si rivolge agli studenti e ai professionisti dell'apprendimento automatico e della scienza dei dati, nonché agli ingegneri del software che lavorano all'implementazione di modelli di apprendimento automatico, che vogliono saperne di più su come trasformare i loro dati e creare nuove funzionalità per addestrare i modelli di apprendimento automatico in modo migliore.