Python Feature Engineering Cookbook - Deuxième édition : Plus de 70 recettes pour la création, l'ingénierie et la transformation de fonctionnalités pour construire des systèmes d'apprentissage automatique (machine learning).

Avis des lecteurs

Résumé:

Le « Python Feature Engineering Cookbook, 2nd Edition » de Soledad Galli est une ressource complète pour maîtriser les techniques d'ingénierie des caractéristiques dans l'apprentissage automatique. Il fournit des recettes concises et pratiques, ainsi que du code Python et des conseils sur les meilleures pratiques. De nombreux utilisateurs apprécient le contenu actualisé et le style accessible de ce livre, qui s'adresse aussi bien aux débutants qu'aux data scientists expérimentés. Cependant, certains évaluateurs ont noté que certaines techniques avancées et discussions sur la sélection des caractéristiques et l'apprentissage profond pourraient être améliorées ou incluses.

Avantages:

⬤ Des instructions concises et claires sur les techniques d'ingénierie des caractéristiques.
⬤ Des exemples pratiques et des extraits de code pour une mise en œuvre facile.
⬤ Couverture complète des différentes techniques, y compris des sujets avancés.
⬤ Maintien de la pertinence grâce aux mises à jour de la 2e édition.
⬤ Qualité exceptionnelle de la bibliothèque Feature-Engine qui l'accompagne.
⬤ Convient à un large éventail d'utilisateurs, des débutants aux praticiens expérimentés.

Inconvénients:

⬤ Certaines techniques avancées, comme les représentations de données dans le domaine fréquentiel, ne sont pas couvertes.
⬤ Discussion limitée sur la sélection des caractéristiques et la relation entre les méthodes d'ingénierie des caractéristiques et les statistiques inférentielles.
⬤ Quelques utilisateurs ont indiqué qu'une exploration plus approfondie des inconvénients de certaines méthodes serait bénéfique.

(basé sur 11 avis de lecteurs)

Titre original :

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

Contenu du livre :

Créer des pipelines d'ingénierie de bout en bout, reproductibles, qui peuvent être déployés en production en utilisant des bibliothèques Python open-source.

Caractéristiques principales :

⬤ Apprendre et mettre en œuvre les meilleures pratiques en matière d'ingénierie des fonctionnalités.

⬤ Les recettes pratiques sont nombreuses et vous permettent de renforcer votre apprentissage.

⬤ Les résultats de l'analyse des données et de l'évaluation de la qualité des données sont disponibles sur le site web de l'entreprise.

Description du livre :

Le Feature Engineering, le processus de transformation des variables et de création de features, bien que chronophage, garantit le bon fonctionnement de vos modèles d'apprentissage automatique. Cette deuxième édition de Python Feature Engineering Cookbook vous débarrasse de la difficulté de l'ingénierie des caractéristiques en vous montrant comment utiliser les bibliothèques Python open source pour accélérer le processus grâce à une pléthore de recettes pratiques et concrètes.

Cette édition mise à jour commence par aborder les défis fondamentaux liés aux données, tels que les données manquantes et les valeurs catégorielles, avant de passer aux stratégies de traitement des distributions asymétriques et des valeurs aberrantes. Les derniers chapitres vous montrent comment développer de nouvelles fonctionnalités à partir de différents types de données, y compris les textes, les séries chronologiques et les bases de données relationnelles. Avec l'aide de nombreuses bibliothèques Python open source, vous apprendrez à mettre en œuvre chaque méthode d'ingénierie des caractéristiques de manière performante, reproductible et élégante.

À la fin de ce livre sur Python, vous aurez les outils et l'expertise nécessaires pour construire en toute confiance des pipelines de feature engineering de bout en bout et reproductibles qui peuvent être déployés en production.

Ce que vous apprendrez

⬤ Traiter les données manquantes en utilisant diverses méthodes univariées et multivariées.

⬤ Encoder les variables catégorielles à l'aide d'un encodage univoque, ordinal et de comptage.

⬤ Traiter les variables catégorielles à cardinal élevé.

⬤ Transformer, discrétiser et mettre à l'échelle vos variables.

⬤ Créer des variables à partir de la date et de l'heure avec pandas et Feature-engine.

⬤ Combinez les variables pour créer de nouvelles caractéristiques.

⬤ Extraire des caractéristiques à partir de textes et de données transactionnelles avec Featuretools.

⬤ Créer des caractéristiques à partir de données de séries temporelles avec tsfresh.

A qui s'adresse ce livre :

Ce livre s'adresse aux étudiants et aux professionnels de l'apprentissage automatique et de la science des données, ainsi qu'aux ingénieurs logiciels travaillant sur le déploiement de modèles d'apprentissage automatique, qui souhaitent en savoir plus sur la façon de transformer leurs données et de créer de nouvelles fonctionnalités pour entraîner les modèles d'apprentissage automatique de manière plus efficace.

Autres informations sur le livre :

• ISBN : 9781804611302
• Auteur : Soledad Galli
• Éditeur : Packt Pub
• Langue : anglais
• Reliure : Broché