作者:
Alice Zheng
出版社: O′Reilly
原作名: Mastering Feature Engineering Principles and Techniques for Data Scientists
出版年: 2017-12-31
页数: 200
定价: GBP 34.50
装帧: Paperback
ISBN: 9781491953242
出版社: O′Reilly
原作名: Mastering Feature Engineering Principles and Techniques for Data Scientists
出版年: 2017-12-31
页数: 200
定价: GBP 34.50
装帧: Paperback
ISBN: 9781491953242
内容简介 · · · · · ·
特征工程对于应用机器学习来说是基础的，但是使用域知识来加强你的预测模型既困难成本又高。为了弥补特征工程现有资料的不足，本书将会为初中级数据科学家讲解如何处理这项广泛应用却鲜见讨论的技术。
作者Alic Zheng会讲解常用的练习和数学原理，以帮助工程师分析新数据和任务的特征。如果你理解基本的机器学习概念，如有监督学习和无监督学习，那么你已经准备好学习本书了。你不仅会学习到如何以一种系统化和原理化的方式部署特征工程，并且还会学习如何更好地实践数据科学。
作者简介 · · · · · ·
Alice是一家位于西雅图的提供可扩展数据分析工具的创业公司GraphLab的数据科学部门的负责人。Alice喜欢处理数据，以方便他人能够使用数据。她是一名在机器学习领域的工具开发者和专家。她的研究领域有软件诊断、计算机网络安全以及社会网络分析。在加入GraphLab之前，她作为一名研究院就职于在Redmond的微软研究院。她拥有数学专业的文学学士学位以及计算机科学的博士学位，两者皆获得与加州大学伯克利分校。
目录 · · · · · ·
Chapter 1 Introduction
Chapter 2 Fancy Tricks with Simple Numbers
Chapter 3 Basic Feature Engineering for Text Data: Flatten and Filter
Chapter 4 The Effects of Feature Scaling: From Bag-of-Words to Tf-Idf
Chapter 5 Counts and Categorical Variables: Counting Eggs in the Age of Robotic Chickens
Chapter 6 Dimensionality Reduction: Squashing the Data Pancake with PCA
· · · · · · (更多)
Chapter 2 Fancy Tricks with Simple Numbers
Chapter 3 Basic Feature Engineering for Text Data: Flatten and Filter
Chapter 4 The Effects of Feature Scaling: From Bag-of-Words to Tf-Idf
Chapter 5 Counts and Categorical Variables: Counting Eggs in the Age of Robotic Chickens
Chapter 6 Dimensionality Reduction: Squashing the Data Pancake with PCA
· · · · · · (更多)
喜欢读"Feature Engineering for Machine Learning Models"的人也喜欢 · · · · · ·
Feature Engineering for Machine Learning Models的书评 · · · · · · ( 全部 4 条 )
蓬山远
人民邮电出版社2019版
这是一本不世出的工程领域好书
我直言不讳，在我撰写本文的时候，本书在豆瓣评分偏低。不忍好书蒙尘，忍不住撰写此文。 工程领域的书籍不好写，实践性太强。工程中要处理的问题总是一个例子一个例子组成的，一个项目一个项目实操干出来的，具体例子和具体例子之间差异非常之大，方法论难以提炼。判断工程技术...
(展开)
史努斯姆姆
人民邮电出版社2019版
讲解清晰，内容很棒，数据资源优质
在图书馆看到的，感觉内容很棒，来豆瓣mark一下，上班有钱后买一本。吐个槽，书有点薄，59元略贵。虽然知识无价，不过对比国内出版物环境，嗯....相对有点点问题。 声明一下，这本书不是入门书籍，不适合机器学习入门/python入门的来看。 虽然英文名叫Feature Engineering for ...
(展开)
> 更多书评 4篇
论坛 · · · · · ·
在这本书的论坛里发言这本书的其他版本 · · · · · · ( 全部2 )
以下书单推荐 · · · · · · ( 全部 )
- 学习BigData (视界)
- 自然语言处理 (Science而后行)
- 44026648 Island hopping (pH7[..匪七..])
- T (dhcn)
- 计算机科学 (磨子山人)
谁读这本书? · · · · · ·
二手市场
· · · · · ·
- 在豆瓣转让 有163人想读，手里有一本闲着?
订阅关于Feature Engineering for Machine Learning Models的评论:
feed: rss 2.0
0 有用 小菌子 2019-08-08 22:09:14
需要复习线性代数
0 有用 Encore 2021-12-22 13:05:37
上网搜两下能覆盖不少里边的内容了 但到底还是没有改变我菜的事实
0 有用 安分老王 2019-12-12 17:06:19
特征工程入门介绍
0 有用 Leon 2018-08-20 08:54:55
太入门了。。应该叫Introduction To Feature Engineering
0 有用 Amadeus 2021-08-31 10:26:57
写得挺好的，作者说，精通不代表单纯理解概念和推导，重要是是why it is designed，以及how it relates to others。特征工程在心理统计是零碎甚至缺失的。原因无外乎几个点：量化依赖psychometrics，而经典理论及SEM采用非完全信息估计，只生成协方差矩阵，其他全扔。其次，数据结构单一，特征数量少，储存要求低。所以课上学的是清一色的effect coding。... 写得挺好的，作者说，精通不代表单纯理解概念和推导，重要是是why it is designed，以及how it relates to others。特征工程在心理统计是零碎甚至缺失的。原因无外乎几个点：量化依赖psychometrics，而经典理论及SEM采用非完全信息估计，只生成协方差矩阵，其他全扔。其次，数据结构单一，特征数量少，储存要求低。所以课上学的是清一色的effect coding。而文本方法tf-idf更多是computational social science在做。给心理数据的操作空间少得可怜，不标化是因为原始分数常有意义，对数变换仅仅是正偏态的万用药，根本不与指数变换区分。归根结底，没有多少心理学研究者把研究心理过程作为一种系统工程，使得大部分测量的实证都是小打小闹。 (展开)