مشخصات کتاب

Feature Engineering for Machine Learning and Data Analytics

ویرایش: [First edition] 
نویسندگان: Dong. Guozhu,  Liu. Huan  
سری: Chapman & Hall/CRC data mining and knowledge discovery series 
ISBN (شابک) : 9781315181080, 1351721267 
ناشر: Taylor and Francis 
سال نشر: 2018 
تعداد صفحات: [419] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 22 Mb 

در صورت تبدیل فایل کتاب Feature Engineering for Machine Learning and Data Analytics 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 مهندسی ویژگی برای یادگیری ماشین و تجزیه و تحلیل داده ها 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 مهندسی ویژگی برای یادگیری ماشین و تجزیه و تحلیل داده ها

"مهندسی ویژگی‌ها نقشی حیاتی در تجزیه و تحلیل داده‌های بزرگ بازی می‌کند. الگوریتم‌های یادگیری ماشین و داده‌کاوی بدون داده نمی‌توانند کار کنند. اگر ویژگی‌های کمی برای نشان دادن اشیاء داده‌های زیربنایی وجود داشته باشد، چیز کمی می‌توان به دست آورد، و کیفیت نتایج آن الگوریتم‌ها تا حد زیادی به آن بستگی دارد. در مورد کیفیت ویژگی های موجود، 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 این کتاب مفاهیم کلیدی، روش‌ها، مثال‌ها و کاربردها و همچنین فصل‌هایی در مهندسی ویژگی برای انواع داده‌های اصلی مانند متون، تصاویر، دنباله‌ها، سری‌های زمانی، نمودارها، داده‌های جریانی، نرم‌افزار ارائه می‌کند. داده‌های مهندسی، داده‌های توییتر و داده‌های رسانه‌های اجتماعی. همچنین شامل رویکردهای تولید ویژگی‌های عمومی، و همچنین روش‌هایی برای تولید ویژگی‌های آزمایش‌شده و آزمایش‌شده، دست‌ساز، و ویژگی‌های 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 دوره‌های مهندسی ویژگی، یا به‌عنوان مکمل دوره‌های یادگیری ماشین، داده‌کاوی، و تجزیه و تحلیل داده‌های بزرگ استفاده شود.\"--ارائه شده توسط ناشر. ادامه مطلب...
چکیده: \"مهندسی ویژگی ها نقشی حیاتی در تجزیه و تحلیل داده های بزرگ 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 ها، از جمله تولید ویژگی، استخراج ویژگی، تبدیل ویژگی، انتخاب ویژگی، و تجزیه و تحلیل و ارزیابی ویژگی ارائه می دهد. 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 دوره‌های مهندسی ویژگی، یا به‌عنوان مکمل دوره‌های یادگیری ماشین، داده‌کاوی، و تجزیه و تحلیل داده‌های بزرگ استفاده شود.\"--ارائه شده توسط ناشر

توضیحاتی درمورد کتاب به خارجی

"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. Read more...
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

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Eating Royally : Recipes And Remembrances From A Palace Kitchen

دانلود کتاب Microsoft Outlook 2000 E-mail and Fax Guide

دانلود کتاب IEA International Civic and Citizenship Education Study 2016 Assessment Framework

دانلود کتاب AIPD. Railway track maintenance II

دانلود کتاب Logico-Linguistic Papers