![[Recenzja] Feature Engineering for Machine Learning (Alice Zheng) Streszczenie.](https://episodes.castos.com/660078c6833215-59505987/images/2560301/c1a-085k3-z3o4xqg4ipkj-gsoxfs.jpg)
Show Notes
Feature Engineering for Machine Learning (Alice Zheng)
- Amazon Poland Store: https://www.amazon.pl/dp/1491953241?tag=9natreepoland-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
- Czytaj więcej: https://polish.9natree.com/read/1491953241/
#transformacjelogarytmiczneipotęgowe #bagofwordsingramy #kodowaniecechkategorialnych #analizagłównychskładowychPCA #kmeansjakofeaturyzacja #FeatureEngineeringforMachineLearning
Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists, autorstwa Alice Zheng i Amandy Casari, to praktyczny poradnik z obszaru uczenia maszynowego, poświęcony etapowi często traktowanemu zbyt skrótowo: przekształcaniu surowych danych w użyteczne cechy dla modeli. Książka nie jest wykładem o projektowaniu kolejnych algorytmów klasyfikacyjnych czy o strojeniu sieci neuronowych. Jej celem jest pokazanie, że jakość reprezentacji danych w dużej mierze wyznacza granice tego, czego model może się nauczyć. Autorki omawiają dane liczbowe, tekstowe, kategorialne i obrazowe, łącząc objaśnienia z przykładami w Pythonie. Wykorzystują przy tym narzędzia typowe dla pracy data scientisty, między innymi NumPy, pandas, scikit-learn i Matplotlib. Układ opiera się na konkretnych problemach reprezentacji danych, a nie na abstrakcyjnej liście definicji. Dzięki temu czytelnik poznaje zarówno techniki, takie jak skalowanie, kodowanie czy redukcja wymiarowości, jak i kryteria ich sensownego doboru. To zwięzłe, zastosowaniowe wprowadzenie do świadomego przygotowywania danych.
- Amazon Poland Store: https://www.amazon.pl/dp/1491953241?tag=9natreepoland-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
- Czytaj więcej: https://polish.9natree.com/read/1491953241/
#transformacjelogarytmiczneipotęgowe #bagofwordsingramy #kodowaniecechkategorialnych #analizagłównychskładowychPCA #kmeansjakofeaturyzacja #FeatureEngineeringforMachineLearning
Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists, autorstwa Alice Zheng i Amandy Casari, to praktyczny poradnik z obszaru uczenia maszynowego, poświęcony etapowi często traktowanemu zbyt skrótowo: przekształcaniu surowych danych w użyteczne cechy dla modeli. Książka nie jest wykładem o projektowaniu kolejnych algorytmów klasyfikacyjnych czy o strojeniu sieci neuronowych. Jej celem jest pokazanie, że jakość reprezentacji danych w dużej mierze wyznacza granice tego, czego model może się nauczyć. Autorki omawiają dane liczbowe, tekstowe, kategorialne i obrazowe, łącząc objaśnienia z przykładami w Pythonie. Wykorzystują przy tym narzędzia typowe dla pracy data scientisty, między innymi NumPy, pandas, scikit-learn i Matplotlib. Układ opiera się na konkretnych problemach reprezentacji danych, a nie na abstrakcyjnej liście definicji. Dzięki temu czytelnik poznaje zarówno techniki, takie jak skalowanie, kodowanie czy redukcja wymiarowości, jak i kryteria ich sensownego doboru. To zwięzłe, zastosowaniowe wprowadzenie do świadomego przygotowywania danych.
