Bücher versandkostenfrei*100 Tage RückgaberechtAbholung in der Wunschfiliale
product
cover

Merkmalskonstruktion für Machine Learning

Prinzipien und Techniken der Datenaufbereitung

349 Lesepunkte
Taschenbuch
34,90 €inkl. Mwst.
Zustellung: Mi, 09.10. - Fr, 11.10.
Sofort lieferbar
Versandkostenfrei
Empfehlen
Die Merkmalskonstruktion, auch Feature Engineering genannt, ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle stark beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale numerische Repräsentationen eines bestimmten Aspekts von Rohdaten zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine spezifische Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Diese Beispiele veranschaulichen die wichtigsten Prinzipien der Merkmalskonstruktion.

Statt diese Prinzipien nur zu beschreiben, legen die Autorinnen Alice Zheng und Amanda Casari im gesamten Buch den Schwerpunkt auf die praktische Anwendung mit Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken der Merkmalskonstruktion auf einen realen, strukturierten Datensatz anwendet. In den Beispielen werden Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib verwendet.

Aus dem Inhalt:
- Merkmalskonstruktion an numerischen Daten: Filter, Klasseneinteilung, Skalierung, logarithmische und Potenz-Transformationen
- Techniken für natürlichen Text: Bag-of-Words-Modelle, n-Gramme und Phrasenerkennung
- Frequenzfilterung und Merkmalsskalierung zum Entfernen aussageloser Merkmale
- Kodierungstechniken für Kategorievariablen, darunter Merkmals-Hashing und Klassenzählung
- Modellgesteuerte Merkmalskonstruktion mit der Hauptkomponentenanalyse
- Das Konzept der Modellkombination mit dem k-Means-Algorithmus als Technik zur Merkmalserzeugung
- Gewinnung von Bildmerkmalen anhand manueller und Deep-Learning-Techniken


"Datenaufbereitung und Merkmalskonstruktion haben sich in vielen Anwendungen als die wichtigsten Einflussfaktoren für die Leistungsfähigkeit der Modelle erwiesen. Ich freue mich, dass es endlich ein Buch gibt, das sich nur diesem Thema widmet. Alice und Amanda erklären sehr detailliert die Feinheiten vieler verbreiteter Techniken."
Andreas C. MüllerDozent für Machine Learning an der Universität von Columbia und Kernentwickler bei scikit-learn
Jetzt reinlesen: Inhaltsverzeichnis(pdf)

Produktdetails

Erscheinungsdatum
28. März 2019
Sprache
deutsch
Seitenanzahl
XIV
Reihe
Animals
Autor/Autorin
Alice Zheng, Amanda Casari
Übersetzung
Thomas Lotze
Verlag/Hersteller
Originalsprache
englisch
Produktart
kartoniert
Abbildungen
komplett in Farbe
Gewicht
405 g
Größe (L/B/H)
238/167/15 mm
ISBN
9783960090939

Portrait

Alice Zheng

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.

Pressestimmen

"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

Bewertungen

0 Bewertungen

Es wurden noch keine Bewertungen abgegeben. Schreiben Sie die erste Bewertung zu "Merkmalskonstruktion für Machine Learning" und helfen Sie damit anderen bei der Kaufentscheidung.