آموزش مهندسی ویژگی

معرفی Introduction

• PDF مهندسی ویژگی Feature Engineering PDF

• معرفی Introduction

داده های خام به ویژگی ها Raw data to features

• داده های خام به ویژگی ها Raw Data to Features

• ویژگی های خوب در مقابل بد Good vs Bad Features

• امتحان: ویژگی ها با هدف مرتبط هستند Quiz: Features are Related to the Objective

• امتحان: ویژگی ها در زمان پیش بینی قابل تشخیص هستند Quiz: Features are knowable at prediction time

• ویژگی ها در زمان پیش بینی قابل تشخیص هستند Features are knowable at prediction time'

• ویژگی ها باید عددی باشند Features should be numeric

• امتحان: ویژگی ها باید عددی باشند Quiz: Features should be numeric

• ویژگی ها باید نمونه های کافی داشته باشند Features should have enough examples

• امتحان: ویژگی ها باید نمونه های کافی داشته باشند (قسمت 1) Quiz: Features should have enough examples (part 1)

• امتحان: ویژگی ها باید به اندازه کافی مثال داشته باشند (قسمت 2) Quiz: Features should have enough examples (part 2)

• آوردن بینش های انسانی Bringing human insights

• نمایش ویژگی ها Representing Features

• ML در مقابل آمار ML vs Statistics

• آزمایشگاه: بهبود دقت مدل با ویژگی های جدید Lab: Improving model accuracy with new features

• بهبود دقت مدل با ویژگی های جدید Improve model accuracy with new features

پیش پردازش و ایجاد ویژگی Preprocessing and feature creation

• پیش پردازش و ایجاد ویژگی Preprocessing and feature creation

• Apache Beam/Cloud Dataflow Apache Beam / Cloud Dataflow

• یک خط لوله جریان داده ساده A Simple Dataflow Pipeline

• آزمایشگاه: یک خط لوله ساده Dataflow (Python) Lab: A simple Dataflow pipeline (Python)

• راه حل آزمایشگاهی: یک خط لوله ساده جریان داده Lab Solution: A Simple Dataflow Pipeline

• خطوط لوله داده در مقیاس Data Pipelines at Scale

• MapReduce در Dataflow MapReduce in Dataflow

• آزمایشگاه: MapReduce در جریان داده (پایتون) Lab: MapReduce in Dataflow (Python)

• راه حل آزمایشگاهی: MapReduce در جریان داده Lab Solution: MapReduce in Dataflow

• جمع بندی جریان داده Dataflow Wrapup

• پیش پردازش با Cloud Dataprep Preprocessing with Cloud Dataprep

• Lab Intro: Computing Time-Windowed Features در Cloud Dataprep Lab Intro: Computing Time-Windowed Features in Cloud Dataprep

• آزمایشگاه: محاسبه ویژگی های پنجره زمانی در Cloud Dataprep Lab: Computing Time-Windowed Features in Cloud Dataprep

• راه حل آزمایشگاهی: محاسبه ویژگی های پنجره زمانی در Cloud Dataprep Lab Solution: Computing Time-Windowed Features in Cloud Dataprep

صلیب های ویژه Feature crosses

• معرفی Introduction

• متقاطع ویژگی چیست؟ What is a feature cross?

• گسسته سازی Discretization

• حفظ در مقابل تعمیم Memorization vs. Generalization

• رنگ های تاکسی Taxi colors

• Lab Intro: ویژگی های Crosses برای ایجاد یک طبقه بندی خوب Lab Intro: Feature Crosses to create a good classifier

• راه حل آزمایشگاهی: ویژگی های متقاطع برای ایجاد یک طبقه بندی خوب Lab Solution: Feature Crosses to create a good classifier

• پراکندگی + آزمون Sparsity + Quiz

• معرفی آزمایشگاه: چیز بسیار خوبی است Lab Intro: Too Much of a Good Thing

• راه حل آزمایشگاهی: خیلی چیز خوبی است Lab Solution: Too Much of a Good Thing

• پیاده سازی صلیب های ویژگی Implementing Feature Crosses

• تعبیه صلیب های ویژگی Embedding Feature Crosses

• کجا مهندسی ویژگی انجام دهیم Where to Do Feature Engineering

• ایجاد ویژگی در TensorFlow Feature Creation in TensorFlow

• ایجاد ویژگی در DataFlow Feature Creation in DataFlow

• معرفی آزمایشگاه: بهبود مدل ML با مهندسی ویژگی Lab Intro: Improve ML Model with Feature Engineering

• آزمایشگاه: بهبود مدل یادگیری ماشین با مهندسی ویژگی Lab: Improve Machine Learning model with Feature Engineering

• توضیح: ML Fairness Debrief: ML Fairness

• راه حل: بهبود مدل ML با مهندسی ویژگی Solution: Improve ML Model with Feature Engineering

تبدیل TensorFlow TensorFlow Transform

• معرفی Introduction

• تبدیل TensorFlow TensorFlow Transform

• فاز تجزیه و تحلیل Analyze phase

• فاز تبدیل Transform phase

• پشتیبانی از خدمت Supporting serving

• کاوش tf.transform Exploring tf.transform

• آزمایشگاه: کاوش tf.transform Lab: Exploring tf.transform

• کاوش tf.transform Exploring tf.transform

خلاصه Summary

• خلاصه Summary