Eine systematische Anleitung für das Feature Engineering
- Lernen Sie Techniken, um Merkmale – numerische Darstellungen von Rohdaten – zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen
- Der Fokus des Buchs liegt auf dem Einsatz der gezeigten Techniken in der Praxis
- In den Beispielen arbeiten Sie mit den Python-Bibliotheken numpy, Pandas, scikit-learn und Matplotlib
Das Feature Engineering – auch Merkmalskonstruktion genannt – ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle entscheidend beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale – numerische Darstellungen von Rohdaten – zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine einzelne Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Zusammen veranschaulichen diese Beispiele die wichtigsten Prinzipien des Feature Engineering.
Statt diese Prinzipien einfach nur zu beschreiben, legen die Autorinnen im gesamten Buch den Schwerpunkt auf die praktische Anwendung. Das Schlusskapitel fügt alles zusammen, indem es verschiedene Techniken des Feature Engineering auf einen realen, strukturierten Datensatz anwendet. In den Beispielen werden Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib verwendet.
"Die einzelnen Problemstellungen werden sehr schnell klar, wie etwa bei der Bilderkennung. Der Leser erhält mögliche Lösungsmethodiken an die Hand, sodass man bei eigenen Projekten bereits im Vorfeld direkt zum passenden Modell greifen kann oder dieses nach eigenen Anforderungen abändern kann." (ingenieurbox.de, Januar 2020)
-- -- --
"Das Buch setzt Vorkenntnisse über die Grundprinzipien des maschinellen Lernens voraus und stützt sich auf zahlreiche Beispiele. Schwerpunkte liegen bei Verfahren zur nichtlinearen Merkmalsgewinnung und der automatisierten Merkmalsgewinnung. Didaktisch gut aufgebaut; jedes Kapitel endet mit einer Zusammenfassung und mit Angaben weiterführender Literatur." (ekz.bibliotheksservice, Juni 2019)
Alice Zheng / Amanda Casari
Alice Zheng ist technische Leiterin für angewandtes Machine Learning und beschäftigt sich mit Algorithmen und Plattformentwicklung. Derzeit ist sie Forschungsmanagerin bei Amazon Advertisement. Zuvor war sie bei GraphLab/Dato/Turi mit der Werkzeugentwicklung und der Weiterbildung von Anwendern betraut und forschte über maschinelles Lernen bei Microsoft Research. Sie besitzt einen Doktortitel für Elektrotechnik und Informatik sowie einen Bachelor-Abschluss in Informatik und Mathematik von der University of California, Berkeley.
Amanda Casari ist eine führende Ingenieurin, die technisches Neuland erkundet und danach fragt, wie man die Auswirkungen dieser Neuerungen am besten aufzeigen kann. Sie ist derzeit leitende Produktmanagerin und Datenanalytikerin bei Concur Labs und Mitbegründerin der KI-Forschungsgruppe von Concur Labs bei SAP Concur. Über die letzten 16 Jahre arbeitete sie in einer Vielzahl funktionsübergreifender Rollen und technischer Fachgebiete, darunter Datenanalyse, maschinelles Lernen, komplexe Systeme und Robotik. Amanda besitzt einen Abschluss als Bachelor of Science in Steuersystemtechnik von der United States Naval Academy und als Master of Science in Elektrotechnik von der University of Vermont.
