اردوگاه مهندسی ویژگی ۲۰۲۲
Feature Engineering Bookcamp 2022

در *Feature Engineering Bookcamp* خواهید آموخت که چگونه:

* تبدیل ویژگی‌ها را برای داده‌های خود شناسایی و پیاده‌سازی کنید.
* خطوط لوله قدرتمند یادگیری ماشین را با داده‌های بدون ساختار مانند متن و تصاویر بسازید.
* میزان سوگیری در خطوط لوله یادگیری ماشین را در سطح داده‌ها اندازه‌گیری و به حداقل برسانید.
* از Feature Storeها برای ساخت خطوط لوله مهندسی ویژگی بلادرنگ استفاده کنید.
* با دستکاری داده‌های ورودی، خطوط لوله یادگیری ماشین موجود را بهبود بخشید.
* از مدل‌های پیشرفته یادگیری عمیق برای استخراج الگوهای پنهان در داده‌ها استفاده کنید.

*Feature Engineering Bookcamp* شما را از طریق مجموعه‌ای از پروژه‌ها راهنمایی می‌کند که تمرین عملی با تکنیک‌های اصلی مهندسی ویژگی را به شما ارائه می‌دهند. شما با روش‌های مهندسی ویژگی کار خواهید کرد که سرعت پردازش داده‌ها را افزایش می‌دهد و بهبودهای واقعی در عملکرد مدل شما ایجاد می‌کند. این کتاب بلافاصله کاربردی، تئوری‌های انتزاعی ریاضی و فرمول‌های دقیق را کنار می‌گذارد؛ در عوض، از طریق مطالعات موردی کد محور جالب، از جمله طبقه‌بندی توییت‌ها، تشخیص COVID، پیش‌بینی تکرار جرم، تشخیص حرکت قیمت سهام و موارد دیگر، یاد خواهید گرفت.

درباره‌ی فناوری

با بهبود داده‌های آموزشی خود، خروجی بهتری از خطوط لوله یادگیری ماشین دریافت کنید! از مهندسی ویژگی، یک تکنیک یادگیری ماشین برای طراحی متغیرهای ورودی مرتبط بر اساس داده‌های موجود خود، برای ساده‌سازی آموزش و بهبود عملکرد مدل استفاده کنید. در حالی که تنظیم دقیق ابرپارامترها یا تغییر مدل‌ها ممکن است باعث افزایش جزئی عملکرد شود، مهندسی ویژگی با تبدیل خط لوله داده شما، بهبودهای چشمگیری را ارائه می‌دهد.

درباره‌ی کتاب

*Feature Engineering Bookcamp* شما را از طریق شش پروژه عملی راهنمایی می‌کند که در آن یاد خواهید گرفت با استفاده از مهندسی ویژگی، داده‌های آموزشی خود را ارتقا دهید. هر فصل یک مطالعه موردی جدید کد محور را بررسی می‌کند که از صنایع واقعی مانند امور مالی و مراقبت‌های بهداشتی گرفته شده است. شما پاکسازی و تبدیل داده‌ها، کاهش سوگیری و موارد دیگر را تمرین خواهید کرد. این کتاب مملو از نکات افزایش عملکرد برای همه حوزه‌های فرعی اصلی ML—از پردازش زبان طبیعی گرفته تا تجزیه و تحلیل سری‌های زمانی است.

مطالب داخل کتاب

* شناسایی و پیاده‌سازی تبدیل ویژگی‌ها
* ساخت خطوط لوله یادگیری ماشین با داده‌های بدون ساختار
* اندازه‌گیری و به حداقل رساندن سوگیری در خطوط لوله ML
* استفاده از Feature Storeها برای ساخت خطوط لوله مهندسی ویژگی بلادرنگ
* بهبود خطوط لوله موجود با دستکاری داده‌های ورودی

درباره‌ی خواننده

برای مهندسان با تجربه یادگیری ماشین که با پایتون آشنا هستند.

درباره‌ی نویسنده

سینان اوزدمیر بنیانگذار و مدیر ارشد فناوری Shiba، مدرس سابق علم داده در دانشگاه جانز هاپکینز و نویسنده چندین کتاب درسی در زمینه علم داده و یادگیری ماشین است.

فهرست مطالب

1 مقدمه‌ای بر مهندسی ویژگی
2 مبانی مهندسی ویژگی
3 مراقبت‌های بهداشتی: تشخیص COVID-19
4 سوگیری و انصاف: مدل‌سازی تکرار جرم
5 پردازش زبان طبیعی: طبقه‌بندی احساسات رسانه‌های اجتماعی
6 بینایی کامپیوتر: تشخیص اشیا
7 تحلیل سری‌های زمانی: معاملات روزانه با یادگیری ماشین
8 Feature Storeها
9 جمع‌بندی

In Feature Engineering Bookcamp you will learn how to:

Identify and implement feature transformations for your data
Build powerful machine learning pipelines with unstructured data like text and images
Quantify and minimize bias in machine learning pipelines at the data level
Use feature stores to build real-time feature engineering pipelines
Enhance existing machine learning pipelines by manipulating the input data
Use state-of-the-art deep learning models to extract hidden patterns in data

Feature Engineering Bookcamp guides you through a collection of projects that give you hands-on practice with core feature engineering techniques. You’ll work with feature engineering practices that speed up the time it takes to process data and deliver real improvements in your model’s performance. This instantly-useful book skips the abstract mathematical theory and minutely-detailed formulas; instead you’ll learn through interesting code-driven case studies, including tweet classification, COVID detection, recidivism prediction, stock price movement detection, and more.

About the technology
Get better output from machine learning pipelines by improving your training data! Use feature engineering, a machine learning technique for designing relevant input variables based on your existing data, to simplify training and enhance model performance. While fine-tuning hyperparameters or tweaking models may give you a minor performance bump, feature engineering delivers dramatic improvements by transforming your data pipeline.

About the book
Feature Engineering Bookcamp walks you through six hands-on projects where you’ll learn to upgrade your training data using feature engineering. Each chapter explores a new code-driven case study, taken from real-world industries like finance and healthcare. You’ll practice cleaning and transforming data, mitigating bias, and more. The book is full of performance-enhancing tips for all major ML subdomains—from natural language processing to time-series analysis.

What’s inside

Identify and implement feature transformations
Build machine learning pipelines with unstructured data
Quantify and minimize bias in ML pipelines
Use feature stores to build real-time feature engineering pipelines
Enhance existing pipelines by manipulating input data

About the reader
For experienced machine learning engineers familiar with Python.

About the author
Sinan Ozdemir is the founder and CTO of Shiba, a former lecturer of Data Science at Johns Hopkins University, and the author of multiple textbooks on data science and machine learning.

Table of Contents
1 Introduction to feature engineering
2 The basics of feature engineering
3 Healthcare: Diagnosing COVID-19
4 Bias and fairness: Modeling recidivism
5 Natural language processing: Classifying social media sentiment
6 Computer vision: Object recognition
7 Time series analysis: Day trading with machine learning
8 Feature stores
9 Putting it all together