![[Recension] Feature Engineering for Machine Learning (Alice Zheng) Sammanfattad.](https://episodes.castos.com/660078c6833215-59505987/images/2585445/c1a-085k3-ok8n75orc25n-a2otp1.jpg)
Show Notes
Feature Engineering for Machine Learning (Alice Zheng)
- Amazon Sweden Store: https://www.amazon.se/dp/1491953241?tag=9natreeswe-21
- Amazon Worldwide Store: https://global.buys.trade/Feature-Engineering-for-Machine-Learning-Alice-Zheng.html
- Apple Books: https://books.apple.com/us/audiobook/designing-machine-learning-systems-an-iterative/id1795798192?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Feature+Engineering+for+Machine+Learning+Alice+Zheng+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Läs mer: https://swedish.9natree.com/read/1491953241/
#Logaritmiskatransformationer #Bagofwordsochngram #Featurehashing #Principalcomponentanalysis #Kmeansfeaturization #FeatureEngineeringforMachineLearning
Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists av Alice Zheng och Amanda Casari är en praktiskt inriktad fackbok om steget mellan rådata och en användbar maskininlärningsmodell. I stället för att främst behandla val av algoritm, riktar den uppmärksamheten mot hur data kan väljas ut, rensas, omformas och representeras som egenskaper, alltså variabler som modeller faktiskt kan arbeta med. Boken utgår från att modellernas resultat i hög grad beror på kvaliteten och betydelsen hos dessa representationer. Den behandlar numeriska, kategoriska, textbaserade och bildbaserade data, med exempel i Python och vanliga bibliotek som NumPy, Pandas och scikit-learn. Upplägget är problemorienterat, där tekniker förklaras genom den typ av data de ska hantera. Syftet är inte att erbjuda en universell uppsättning recept, utan att visa varför olika omvandlingar påverkar vad en modell kan upptäcka. Därmed placerar sig boken mellan grundläggande maskininlärning och det dagliga, ofta iterativa, arbetet med verkliga datamängder.
- Amazon Sweden Store: https://www.amazon.se/dp/1491953241?tag=9natreeswe-21
- Amazon Worldwide Store: https://global.buys.trade/Feature-Engineering-for-Machine-Learning-Alice-Zheng.html
- Apple Books: https://books.apple.com/us/audiobook/designing-machine-learning-systems-an-iterative/id1795798192?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Feature+Engineering+for+Machine+Learning+Alice+Zheng+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Läs mer: https://swedish.9natree.com/read/1491953241/
#Logaritmiskatransformationer #Bagofwordsochngram #Featurehashing #Principalcomponentanalysis #Kmeansfeaturization #FeatureEngineeringforMachineLearning
Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists av Alice Zheng och Amanda Casari är en praktiskt inriktad fackbok om steget mellan rådata och en användbar maskininlärningsmodell. I stället för att främst behandla val av algoritm, riktar den uppmärksamheten mot hur data kan väljas ut, rensas, omformas och representeras som egenskaper, alltså variabler som modeller faktiskt kan arbeta med. Boken utgår från att modellernas resultat i hög grad beror på kvaliteten och betydelsen hos dessa representationer. Den behandlar numeriska, kategoriska, textbaserade och bildbaserade data, med exempel i Python och vanliga bibliotek som NumPy, Pandas och scikit-learn. Upplägget är problemorienterat, där tekniker förklaras genom den typ av data de ska hantera. Syftet är inte att erbjuda en universell uppsättning recept, utan att visa varför olika omvandlingar påverkar vad en modell kan upptäcka. Därmed placerar sig boken mellan grundläggande maskininlärning och det dagliga, ofta iterativa, arbetet med verkliga datamängder.
