مشخصات کتاب

Feature Engineering Bookcamp

ویرایش:  
نویسندگان: Sinan Ozdemir  
سری:  
ISBN (شابک) : 9781617299797 
ناشر: Manning Publications Co. 
سال نشر: 2022 
تعداد صفحات:  
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 Mb 

در صورت تبدیل فایل کتاب Feature Engineering Bookcamp به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب کمپ کتاب مهندسی ویژه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب کمپ کتاب مهندسی ویژه

بدون صرف ساعت‌ها تنظیم دقیق پارامترها، پیشرفت‌های عظیمی را در خطوط لوله یادگیری ماشین خود ارائه دهید! مطالعات موردی عملی این کتاب تکنیک‌های مهندسی ویژگی‌هایی را نشان می‌دهد که مشاجره داده‌ها 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 ماشین قدرتمندی را با داده‌های بدون ساختار مانند متن و تصاویر بسازید تعصب در خطوط لوله یادگیری ماشین را در سطح داده کمی کنید و به حداقل برسانید از فروشگاه های ویژگی برای ساخت خطوط لوله مهندسی ویژگی ها در زمان واقعی استفاده کنید خطوط لوله یادگیری ماشین موجود را با دستکاری داده های ورودی تقویت کنید از پیشرفته ترین مدل های یادگیری عمیق برای استخراج الگوهای پنهان در داده ها استفاده کنید Feature Engineering Bookcamp شما را از طریق مجموعه‌ای از پروژه‌ها راهنمایی می‌کند که به شما تمرین عملی با تکنیک‌های مهندسی ویژگی‌های اصلی را می‌دهد. شما با روش‌های مهندسی ویژگی‌ها کار خواهید کرد که زمان پردازش داده‌ها را سرعت می‌بخشد و بهبودهای واقعی در عملکرد مدل شما ارائه می‌کند. این کتاب فوراً مفید، نظریه انتزاعی ریاضی و فرمول‌های با جزئیات دقیق را نادیده می‌گیرد. در عوض، از طریق مطالعات موردی کد محور جالب، از جمله طبقه‌بندی توییت، تشخیص COVID، پیش‌بینی تکرار جرم، تشخیص حرکت قیمت سهام و موارد دیگر، یاد خواهید گرفت. در مورد تکنولوژی 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 بهبود 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 خواهید گرفت که 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 است - از پردازش زبان طبیعی تا تجزیه و تحلیل سری‌های زمانی. داخلش چیه تبدیل ویژگی ها را شناسایی و پیاده سازی کنید خطوط لوله یادگیری ماشین را با داده های بدون ساختار بسازید کمی سازی و به حداقل رساندن سوگیری در خطوط لوله ML از فروشگاه های ویژگی برای ساخت خطوط لوله مهندسی ویژگی ها در زمان واقعی استفاده کنید خطوط لوله موجود را با دستکاری داده های ورودی تقویت کنید درباره خواننده برای مهندسین باتجربه یادگیری ماشین که با پایتون آشنا هستند. درباره نویسنده سینان اوزدمیر موسس و مدیر ارشد فناوری شیبا، مدرس سابق علوم داده در دانشگاه جانز هاپکینز و نویسنده چندین کتاب درسی در زمینه علم داده و یادگیری ماشین است. فهرست مطالب 1 مقدمه ای بر مهندسی ویژگی 2 اصول اولیه مهندسی ویژگی 3 مراقبت های بهداشتی: تشخیص COVID-19 4 تعصب و انصاف: مدل سازی تکرار جرم 5 پردازش زبان طبیعی: طبقه بندی احساسات رسانه های اجتماعی 6 بینایی کامپیوتری: تشخیص اشیا 7 تجزیه و تحلیل سری زمانی: تجارت روزانه با یادگیری ماشین 8 فروشگاه ویژه 9 همه را کنار هم بگذارید

توضیحاتی درمورد کتاب به خارجی

Deliver huge improvements to your machine learning pipelines without spending hours fine-tuning parameters! This book’s practical case-studies reveal feature engineering techniques that upgrade your data wrangling—and 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. You’ll work with feature engineering practices that speed up the time it takes to process data and deliver real improvements in your model’s performance. This instantly-useful book skips the abstract mathematical theory and minutely-detailed formulas; instead you’ll 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 you’ll 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. You’ll practice cleaning and transforming data, mitigating bias, and more. The book is full of performance-enhancing tips for all major ML subdomains—from 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

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Historia del Almirante

دانلود کتاب Woodworking Shopnotes 090 - Get the Most out of a Plunge Router

دانلود کتاب Foundations Of The Twenty First Century: The Philosophy of White Nationalism

دانلود کتاب Advances in Research and Applications

دانلود کتاب The Gods Were Astronauts: Evidence of the True Identities of the Old 'Gods'