特徵工程訓練營 希南.奧茲德米爾 9787302669098 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：清華大學
物品所在地：中國大陸
原出版社：清華大學
NT$444
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202409*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：特徵工程訓練營 ISBN：9787302669098 出版社：清華大學 著編譯者：希南.奧茲德米爾 頁數：308 所在地：中國大陸 *此為代購商品 書號：1681185 可大量預訂，請先連絡。 內容簡介 本書列舉多個實踐項目，引導讀者利用特徵工程優化訓練數據。每章探討一個代碼驅動的新案例，涉及金融、醫療等行業。你將學會清洗和轉換數據，減輕偏見。本書呈現各種性能提升技巧，涵蓋從自然語言處理到時間序列分析等所有主要機器學習子領域。作者簡介 希南·奧茲德米爾是Shiba公司的創始人兼首席技術官（CTO），目前負責管理支持公司社交商務平台的Web3組件和機器學習模型。Sinan曾是約翰·霍普金斯大學的數據科學講師，是多種關於數據科學和機器學習的教材的作者。此外，他是已被收購的Kylie ai公司的創始人，該公司開發了具備RPA（機器人流程自動化）功能的企業級對話式人工智慧平台。Sinan擁有約翰·霍普金斯大學純數學（pure mathematics）專業碩士學位，目前居住在加利福尼亞州的舊金山市。目錄 第1章 特徵工程簡介1 1 特徵工程是什麼，為什麼它如此重要 1 1 1 誰需要特徵工程 1 1 2 特徵工程的局限性 1 1 3 出色的數據，出色的模型 1 2 特徵工程流程 1 3 本書的編排方式 1 3 1 特徵工程的五種類型 1 3 2 本書案例研究的概述 1 4 本章小結 第2章 特徵工程基礎知識 2 1 數據類型 2 1 1 結構化數據 2 1 2 非結構化數據 2 2 數據的四個層次 2 2 1 定性數據與定量數據 2 2 2 名義層次 2 2 3 序數層次 2 2 4 區間層次 2 2 5 比率層次 2 3 特徵工程的類型 2 3 1 特徵改進 2 3 2 特徵構建 2 3 3 特徵選擇 2 3 4 特徵提取 2 3 5 特徵學習 2 4 如何評估特徵工程的成果 2 4 1 評估指標1：機器學習度量標準 2 4 2 評估指標2：可解釋性 2 4 3 評估指標3：公平性和偏見 2 4 4 評估指標4：機器學習複雜性和速度 2 5 本章小結 第3章 醫療服務：COVID-19的診斷 3 1 COVID流感診斷數據集 3 2 探索性數據分析 3 3 特徵改進 3 3 1 補充缺失的定量數據 3 3 2 填充缺失的定性數據 3 4 特徵構建 3 4 1 數值特徵的轉換 3 4 2 構建分類數據 3 5 構建特徵工程流程 3 6 特徵選擇 3 6 1 互信息 3 6 2 假設檢驗 3 6 3 使用機器學習 3 7 練習與答案 3 8 本章小結 第4章 偏見與公平性：再犯率建模 4 1 COMPAS數據集 4 2 探索性數據分析 4 3 測量偏見和公平性 4 3 1 不同對待與不同影響 4 3 2 公平的定義 4 4 構建基準模型 4 4 1 特徵構建 4 4 2 構建基準流程 4 4 3 測量基準模型的偏見 4 5 偏見緩解 4 5 1 模型訓練前 4 5 2 模型訓練中 4 5 3 模型訓練后 4 6 構建偏見感知模型 4 6 1 特徵構建：使用Yeo-Johnson轉換器處理不同的影響 4 6 2 特徵提取：使用aif360學習公平表示實現 4 7 練習與答案 4 8 本章小結 第5章 自然語言處理：社交媒體情感分類 5 1 推文情感數據集 5 2 文本向量化 5 2 1 特徵構建：詞袋模型 5 2 2 計數向量化 5 2 3 TF-IDF向量化 5 3 特徵改進 5 3 1 清理文本中的雜訊 5 3 2 對token進行標準化 5 4 特徵提取 5 5 特徵學習 5 5 1 自動編碼器簡介 5 5 2 訓練自動編碼器以學習特徵 5 5 3 遷移學習簡介 5 5 4 使用BERT的遷移學習 5 5 5 使用BERT的預訓練特徵 5 6 文本向量化回顧 5 7 練習與答案 5 8 本章小結 第6章 計算機視覺：對象識別 6 1 CIFAR-10數據集 6 2 特徵構建：像素作為特徵 6 3 特徵提取：梯度方向直方圖 6 4 使用VGG-11進行特徵學習 6 4 1 使用預訓練的VGG-11作為特徵提取器 6 4 2 微調VGG 6 4 3 使用經過微調的VGG-11特徵進行邏輯回歸 6 5 圖像矢量化總結 6 6 練習與答案 6 7 本章小結 第7章 時間序列分析：利用機器學習進行短線交易 7 1 TWLO數據集 7 2 特徵構建 7 2 1 日期/時間特徵 7 2 2 滯后特徵 7 2 3 滾動/擴展窗口特徵 7 2 4 領域特定特徵 7 3 特徵選擇 7 3 1 使用機器學習選擇特徵 7 3 2 遞歸特徵消除 7 4 特徵提取 7 5 結論 7 6 練習與答案 7 7 本章小結 第8章 特徵存儲 8 1 MLOps和特徵存儲 8 1 1 使用特徵存儲的收益 8 1 2 維基百科、MLOps和特徵存儲 8 2 使用Hopsworks設置特徵存儲 8 2 1 使用HSFSAPI連接到Hopsworks 8 2 2 特徵組 8 2 3 使用特徵組來選擇數據 8 3 在Hopsworks中創建訓練數據 8 3 1 訓練數據集 8 3 2 數據溯源 8 4 練習與答案 8 5 本章小結 第9章 匯總 9 1 重新審視特徵工程流程 9 2 主要收穫 9 2 1 特徵工程與機器學習模型的選擇同樣至關重要 9 2 2 特徵工程並非一勞永逸的解決方案 9 3 特徵工程回顧 9 3 1 特徵改進 9 3 2 特徵構建 9 3 3 特徵選擇 9 3 4 特徵提取 9 3 5 特徵學習 9 4 數據類型特定的特徵工程技術 9 4 1 結構化數據 9 4 2 非結構化數據 9 5 常見問題解答 9 5 1 何時應將分類變數進行虛擬化，而不是將它們保留為單獨的列 9 5 2 如何確定是否需要處理數據中的偏見 9 6 其他特徵工程技術 9 6 1 分類虛擬桶化 9 6 2 將學到的特徵與傳統特徵結合 9 6 3 其他原始數據向量化器 9 7 擴展閱讀 9 8 本章小結 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
