آموزش یادگیری ماشین کاربردی: مهندسی ویژگی

معرفی Introduction

• ML کاربردی: مهندسی ویژگی Applied ML: Feature engineering

• آنچه شما باید بدانید What you should know

1. تکنیک های اساسی 1. Basic Techniques

• انتساب Imputation

• چالش: تکنیک های اساسی Challenge: Basic techniques

• تبدیل لاگ Log transform

• پر کردن مقادیر از دست رفته Filling in missing values

• مقیاس بندی Scaling

• بنینگ Binning

• راه حل: تکنیک های اساسی Solution: Basic techniques

2. رمزگذاری دسته بندی 2. Categorical Encoding

• یک کدگذاری داغ One hot encoding

• رمزگذاری هدف متوسط Mean target encoding

• چالش: دسته بندی Challenge: Categorical

• رمزگذار هش Hashing encoder

• راه حل: طبقه بندی Solution: Categorical

3. استخراج ویژگی 3. Feature Extraction

• TFIDF TFIDF

• تجمیع ویژگی ها Feature aggregation

• PCA PCA

• جاسازی متن Text embeddings

• چالش: استخراج ویژگی Challenge: Feature extraction

• راه حل: استخراج ویژگی Solution: Feature extraction

4. ویژگی های زمانی 4. Temporal Features

• استخراج اجزای تاریخ Extracting date components

• چالش: ویژگی های زمانی Challenge: Temporal features

• فصلی و تجزیه روند Seasonality and trend decomposition

• راه حل: ویژگی های زمانی Solution: Temporal features

5. ارزیابی ویژگی 5. Feature Evaluation

• اهمیت و وزن Importance and weights

• حذف ویژگی بازگشتی Recursive feature elimination

• راه حل: انتخاب ویژگی Solution: Feature selection

• چالش: انتخاب ویژگی Challenge: Feature selection

• اضافه کردن یک ستون تصادفی Adding a random column

نتیجه Conclusion

• مراحل بعدی Next steps