دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: David Markus
سری: 1
ناشر: ProVersus
سال نشر: 0
تعداد صفحات: 363
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب Python. 70 recipes for creating engineering and transforming features to build machine learning models 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 پایتون 70 دستورالعمل برای ایجاد ویژگیهای مهندسی و تغییر شکل برای ساخت مدلهای یادگیری ماشین [] 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.
کتاب آشپزی مهندسی ویژگی Python دستور العمل های به خوبی نشان داده شده متمرکز بر راه حل هایی را پوشش می دهد که به تیم های یادگیری ماشین در شناسایی و استخراج ویژگی ها برای توسعه مدل های یادگیری ماشینی بسیار بهینه و غنی شده کمک می کند. این کتاب شامل دستور العمل هایی برای استخراج و تبدیل ویژگی ها از مجموعه داده های ساخت یافته، سری های زمانی، داده های تراکنش ها و متن است. این شامل دستور العمل های مربوط به خودکارسازی فرآیند مهندسی ویژگی، همراه با گسترده ترین زرادخانه ابزار برای رمزگذاری متغیرهای طبقه بندی شده، انتساب داده های از دست رفته و گسسته سازی متغیر است. علاوه بر این، استراتژیهای مختلف تبدیل ویژگی، مانند تبدیل Box-Cox و سایر عملیاتهای ریاضی را ارائه میدهد و شامل استفاده از درختهای تصمیم برای ترکیب ویژگیهای موجود به ویژگیهای جدید میشود. هر یک از این دستور العمل ها به صورت عملی با کمک NumPy، SciPy، پانداها، scikit Learn، Featuretools و Feature-engine در پایتون نشان داده شده است.
Python Feature Engineering Cookbook covers well-demonstrated recipes focused on solutions that will assist machine learning teams in identifying and extracting features to develop highly optimized and enriched machine learning models. This book includes recipes to extract and transform features from structured datasets, time series, transactions data and text. It includes recipes concerned with automating the feature engineering process, along with the widest arsenal of tools for categorical variable encoding, missing data imputation and variable discretization. Further, it provides different strategies of feature transformation, such as Box-Cox transform and other mathematical operations and includes the use of decision trees to combine existing features into new ones. Each of these recipes is demonstrated in practical terms with the help of NumPy, SciPy, pandas, scikit learn, Featuretools and Feature-engine in Python.