Alice Zheng Books

Feature engineering is a crucial step in the machine-learning pipeline, yet this topic is rarely examined on its own. With this practical book, you'll learn techniques for extracting and transforming features--the numeric representations of raw data--into formats for machine-learning models. Each chapter guides you through a single data problem, such as how to represent text or image data. Together, these examples illustrate the main principles of feature engineering. Rather than simply teach these principles, authors Alice Zheng and Amanda Casari focus on practical application with exercises throughout the book. The closing chapter brings everything together by tackling a real-world, structured dataset with several feature-engineering techniques. Python packages including numpy, Pandas, Scikit-learn, and Matplotlib are used in code examples. You'll examine: Feature engineering for numeric data: filtering, binning, scaling, log transforms, and power transforms Natural text techniques: bag-of-words, n-grams, and phrase detection Frequency-based filtering and feature scaling for eliminating uninformative features Encoding techniques of categorical variables, including feature hashing and bin-counting Model-based feature engineering with principal component analysis The concept of model stacking, using k-means as a featurization technique Image feature extraction with manual and deep-learning techniques

Die Merkmalskonstruktion, auch bekannt als Feature Engineering, ist ein wesentlicher Schritt in der Datenaufbereitung für maschinelles Lernen, der die Modellleistung erheblich beeinflusst. In diesem praxisorientierten Buch werden Techniken vermittelt, um Merkmale – numerische Repräsentationen spezifischer Aspekte von Rohdaten – zu extrahieren und für maschinelle Lernmodelle nutzbar zu machen. Jedes Kapitel behandelt eine spezifische Datenanalyse-Aufgabe, wie die Verarbeitung von Text- oder Bilddaten, und veranschaulicht die Prinzipien der Merkmalskonstruktion. Die Autorinnen legen großen Wert auf praktische Anwendungen und Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken auf einen realen, strukturierten Datensatz anwendet. Dabei kommen Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib zum Einsatz. Zu den Themen gehören Merkmalskonstruktion an numerischen Daten, Techniken für natürlichen Text, Frequenzfilterung, Kodierungstechniken für Kategorievariablen, modellgesteuerte Merkmalskonstruktion und die Gewinnung von Bildmerkmalen durch manuelle sowie Deep-Learning-Techniken. Die Bedeutung von Datenaufbereitung und Merkmalskonstruktion für die Modellleistung wird hervorgehoben, und die detaillierte Erklärung verbreiteter Techniken bietet wertvolle Einblicke.