Ingeniería de Características para el Machine Learning Moderno con Scikit-Learn
Maximice el potencial del aprendizaje automático con esta guía para transformar los datos sin procesar en potentes entradas de modelo. Aprenda a aumentar la precisión y la capacidad de interpretación con Scikit-Learn, una biblioteca líder en aprendizaje automático, mediante enfoques prácticos y prácticos.
Lo Que Obtendrás de Este Libro
8 capítulos que abarcan más de 430 páginas
Más de 330 bloques explicativos de código
Más de 30 ejercicios prácticos
3 cuestionarios para poner a prueba tus conocimientos
2 proyectos prácticos del «mundo real»
Fundamentos de la ingeniería de funciones
La ingeniería de funciones es la columna vertebral del aprendizaje automático eficaz. Este libro comienza por establecer una base sólida y explicar por qué la ingeniería de funciones es crucial para desarrollar modelos sólidos de aprendizaje automático. Aprenderás sobre los diferentes tipos de funciones (numéricas, categóricas y basadas en el tiempo) y las técnicas específicas para procesar estos tipos de datos de forma eficaz con Scikit-Learn.
Los primeros capítulos se centran en las técnicas de preprocesamiento, como la normalización, el escalado y la codificación, que son esenciales para que los datos sean compatibles con los algoritmos de aprendizaje automático. Explorará estrategias avanzadas para gestionar los valores faltantes, reducir la dimensionalidad y seleccionar las características más influyentes que contribuyen al poder predictivo de sus modelos.
Se incluyen estudios de casos prácticos para demostrar cómo se aplican estas técnicas en escenarios del mundo real, como las finanzas, la atención médica y el comercio electrónico. Cada estudio de caso está cuidadosamente diseñado para reforzar los conocimientos teóricos aplicándolos a conjuntos de datos que imitan las complejidades y los desafíos a los que se enfrentan los científicos de datos en la actualidad.
Técnicas avanzadas de ingeniería de funciones
Profundizando más, «Ingeniería de funciones para el aprendizaje automático moderno con Scikit-Learn» explora técnicas complejas que pueden mejorar drásticamente el rendimiento de sus modelos de aprendizaje automático. En esta sección se describen las características de interacción que modelan relaciones complejas, las características polinómicas que capturan efectos no lineales y las técnicas de selección de características para identificar y eliminar variables redundantes.
También aprenderá sobre las herramientas automatizadas de ingeniería de funciones que pueden acelerar el proceso de creación de modelos y reducir el riesgo de errores humanos. El libro ofrece un análisis exhaustivo de las utilidades de Scikit-Learn para la creación de canalizaciones y la combinación de funciones, lo que garantiza que puedas crear flujos de trabajo de aprendizaje automático reproducibles y escalables.
A través de tutoriales detallados, obtendrá experiencia práctica con conjuntos de datos reales y aplicará estas técnicas avanzadas para crear modelos que puedan pronosticar, clasificar y tomar decisiones inteligentes basadas en grandes volúmenes de datos.
Más allá de las habilidades técnicas, «Ingeniería de funciones para el aprendizaje automático moderno con Scikit-Learn» enfatiza la importancia fundamental de desarrollar una mentalidad estratégica en la ingeniería de funciones. Este enfoque permite a los científicos de datos no solo crear funciones eficaces, sino también comprender su impacto más amplio en el rendimiento y la interpretabilidad de los modelos. El libro profundiza en el arte de equilibrar la destreza técnica con el pensamiento estratégico, y enseña a los lectores cómo tomar decisiones informadas sobre la selección y la creación de funciones que se ajusten a las metas generales del proyecto y a los objetivos empresariales.
Los capítulos finales del libro ofrecen una exploración en profundidad de la investigación de vanguardia y las tendencias emergentes en la ingeniería de largometrajes. Esto incluye un análisis exhaustivo del campo de la ingeniería de funciones automatizada, en rápida evolución, en el que se aprovechan las técnicas de inteligencia artificial y aprendizaje automático para descubrir y optimizar las funciones. El libro examina varias herramientas y marcos de AutoML y analiza sus puntos fuertes, limitaciones y posibles aplicaciones en diferentes escenarios. También aborda las consideraciones éticas y los posibles sesgos que pueden surgir de los procesos automatizados de ingeniería de funciones, y alienta a los lectores a abordar estas herramientas con una mentalidad crítica y responsable.
Tabla de contenido
Chapter 1: Real-World Data Analysis Projects
1.1 End-to-End Data Analysis: Healthcare Data
1.2 Case Study: Retail Data and Customer Segmentation
1.3 Practical Exercises for Chapter 1
1.4 What Could Go Wrong?
1.5 Chapter 1 Summary
Chapter 2: Feature Engineering for Predictive Models
2.1 Predicting Customer Churn: Healthcare Data
2.2 Feature Engineering for Classification and Regression Models
2.3 Practical Exercises for Chapter 2
2.4 What Could Go Wrong?
2.5 Chapter 2 Summary
Quiz Part 1: Practical Applications and Case Studies
Questions
Answers
Project 1: Customer Segmentation using Clustering Techniques
1. Understanding the K-means Clustering Algorithm
2. Advanced Clustering Techniques
3. Evaluating Clustering Results
Chapter 3: Automating Feature Engineering with Pipelines
3.1 Pipelines in Scikit-learn: A Deep Dive
3.2 Automating Data Preprocessing with FeatureUnion
3.3 Practical Exercises for Chapter 3
3.4 What Could Go Wrong?
3.5 Chapter 3 Summary
Chapter 4: Feature Engineering for Model Improvement
4.1 Using Feature Importance to Guide Engineering
4.2 Recursive Feature Elimination (RFE) and Model Tuning
4.3 Practical Exercises for Chapter 4
4.4 What Could Go Wrong?
4.5 Chapter 4 Summary
Chapter 5: Advanced Model Evaluation Techniques
5.1 Cross-Validation Revisited: Stratified, Time-Series
5.2 Dealing with Imbalanced Data: SMOTE, Class Weighting
5.3 Practical Exercises for Chapter 5
5.4 What Could Go Wrong?
5.5 Chapter 5 Summary
Quiz Part 2: Integration with Scikit-Learn for Model Building
Questions
Answers
Project 2: Feature Engineering with Deep Learning Models
1.1 Leveraging Pretrained Models for Feature Extraction
1.2 Integrating Deep Learning Features with Traditional Machine Learning Models
1.3 Fine-Tuning Pretrained Models for Enhanced Feature Learning
1.4 End-to-End Feature Learning in Hybrid Architectures
1.5 Deployment Strategies for Hybrid Deep Learning Models
Chapter 6: Introduction to Feature Selection with Lasso and Ridge
6.1 Regularization Techniques for Feature Selection
6.2 Hyperparameter Tuning for Feature Engineering
6.3 Practical Exercises: Chapter 6
6.4 What Could Go Wrong?
6.5 Chapter 6 Summary
Chapter 7: Feature Engineering for Deep Learning
7.1 Preparing Data for Neural Networks
7.2 Integrating Feature Engineering with TensorFlow/Keras
7.3 Practical Exercises: Chapter 7
7.4 What Could Go Wrong?
7.5 Chapter 7 Summary
Chapter 8: AutoML and Automated Feature Engineering
8.1 Exploring Automated Feature Engineering Tools
8.2 Introduction to Feature Tools and AutoML Libraries
8.3 Practical Exercises: Chapter 8
8.4 What Could Go Wrong?
8.5 Chapter 8 Summary
Quiz Part 3: Advanced Topics and Future Trends
Questions
Answers
Lo que dicen nuestros lectores sobre este libro
¡Explore las reseñas para comprender por qué este libro es una excelente elección! Descubra cómo otros se han beneficiado del conocimiento y las ideas que proporciona. Pruebe el emocionante contenido que le espera y compruebe si este libro es el libro perfecto para su viaje.
El libro cubre meticulosamente todos los aspectos de la ingeniería de funciones, desde el preprocesamiento básico de datos hasta las técnicas avanzadas que mejoran significativamente el rendimiento del modelo. Lo que distingue a este libro es su enfoque práctico, repleto de ejemplos del mundo real que demuestran cómo aplicar estas técnicas de forma eficaz utilizando Scikit-Learn.
Este libro es un tesoro de conocimiento para los científicos de datos que buscan elevar sus modelos de aprendizaje automático más allá de los métodos convencionales. Las explicaciones son claras y los tutoriales paso a paso permiten acceder a conceptos complejos.
Desbloquear el acceso
Es su elección, libro de tapa blanda, libro electrónico o Pase de acceso completo a toda nuestra biblioteca de programación
- Libro de tapa blanda enviado desde Amazon
- Acceso gratuito al repositorio de código
- Atención al cliente de primera calidad
- Plataforma digital de aprendizaje electrónico
- Contenido de vídeo adicional gratuito
- Rentable
- Atención al cliente de primera calidad
- Recursos de código fáciles de copiar y pegar
- Aprenda en cualquier lugar
- Todo, desde Book Access
- Acceso ilimitado a la biblioteca de libros
- 50% de descuento en libros de bolsillo
- Acceso anticipado a nuevos lanzamientos
- Contenido de vídeo exclusivo
- Recomendaciones de libros mensuales
- Actualizaciones de libros ilimitadas
- Atención al cliente VIP 24/7
- Desafíos de programación
