日韩欧美无,網站日逼,亚洲精选青青草日韩,一区二区三区四区在线看,日逼无码视频,青娱乐欧美国产亚洲自拍,99小视频在线观看,爱操影视

前段時間發(fā)現(xiàn)apachecn在github上翻譯了一本和特征工程相關的書籍：《Feature Engineering for Machine Learning》，中文名為《面向機器學習的特征工程》。

這本書包含了特征工程中的數(shù)字處理技巧、文本數(shù)據(jù)處理方式、特征縮放、類別特征、降維、非線性特征提取、自動化特征提取等方面，非常適合初學者。

書籍簡介

特征工程對于應用機器學習來說是基礎的，但是使用域知識來加強你的預測模型既困難成本又高。為了彌補特征工程現(xiàn)有資料的不足，本書將會為初中級數(shù)據(jù)科學家講解如何處理這項廣泛應用卻鮮見討論的技術。

特征工程是機器學習流程中至關重要的一個環(huán)節(jié)，然而專門討論這個話題的著作卻很少。本書旨在填補這一空白，著重闡明特征工程的基本原則，介紹大量特征工程技術，教你從原始數(shù)據(jù)中提取出正確的特征并將其轉(zhuǎn)換為適合機器學習模型的格式，從而輕松構建模型，增強機器學習算法的效果。

然而，本書并非單純地講述特征工程的基本原則，而是通過大量示例和練習將重點放在了實際應用上。每一章都集中研究一個數(shù)據(jù)問題：如何表示文本數(shù)據(jù)或圖像數(shù)據(jù)，如何為自動生成的特征降低維度，何時以及如何對特征進行標準化，等等。最后一章通過一個完整的例子演示了多種特征工程技術的實際應用。書中所有代碼示例均是用Python編寫的，涉及NumPy、Pandas、scikit-learn和Matplotlib等程序包。

- 數(shù)值型數(shù)據(jù)的特征工程：過濾、分箱、縮放、對數(shù)變換和指數(shù)變換

- 自然文本技術：詞袋、n元詞與短語檢測

- 基于頻率的過濾和特征縮放

- 分類變量編碼技術：特征散列化與分箱計數(shù)

- 使用主成分分析的基于模型的特征工程

- 模型堆疊與k-均值特征化

- 圖像特征提取：人工提取與深度學習

第 1 章從數(shù)字數(shù)據(jù)的基本特征工程開始：過濾，合并，縮放，日志轉(zhuǎn)換和能量轉(zhuǎn)換以及交互功能。

第 2 章和第 3 章深入探討了自然文本的特征工程：bag-of-words，n-gram 和短語檢測。

第 4 章將 tf-idf 作為特征縮放的例子，并討論它的工作原理。

第 5 章討論分類變量的高效編碼技術，包括特征哈希和 bin-counting。

第 6 章中進行主成分分析，我們深入機器學習的領域。

第 7 章將 k-means 看作一種特征化技術，它說明了模型堆疊的有效理論。

第 8 章都是關于圖像的，在特征提取方面比文本數(shù)據(jù)更具挑戰(zhàn)性。在得出深度學習是最新圖像特征提取技術的解釋之前，我們著眼于兩種手動特征提取技術 SIFT 和 HOG。

第 9 章中完成了一個端到端示例中的幾種不同技術，為學術論文數(shù)據(jù)集創(chuàng)建了一個推薦器。

中文版HTML

中文版的HTML格式如下，左側為目錄，右側為具體內(nèi)容，可以點擊左側目錄跳轉(zhuǎn)到對應的正文內(nèi)容，非常方便。

獲取方式

全套電子書中文版HTML+英文版PDF獲取

為了方便大家，附上書籍云盤下載鏈接。

點擊下方??名片關注：機器學習算法那些事 ，后臺回復?1101（建議復制）即可獲得百度網(wǎng)盤地址。

注意??：是在上方??公眾號后臺消息框中回復 1101，而非本號！

《面向機器學習的特征工程》.pdf