– Eine systematische Anleitung für das Feature Engineering, die die wichtigsten Prinzipien der Datenaufbereitung veranschaulicht – Feature Engineering ist eine zentrale Komponente in der Machine-Learning-Pipeline, es bestimmt die Qualität der Machine-Learning-Anwendung – Der Fokus des Buchs liegt auf dem Einsatz der gezeigten Techniken in der Praxis – In den Beispielen werden die Python-Bibliotheken numpy, Pandas, scikit-learn und Matplotlib verwendet 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.weiterlesen