特徵工程不再難：資料科學新手也能輕鬆搞定！

前言

第1章：特徵工程簡介
激勵人心的例子：AI驅動的聊天系統
特徵工程的重要性
特徵工程是什麼？
機器學習演算法和特徵工程的評估
特徵理解：我的資料集裡面有什麼？
特徵改進：清洗資料集
特徵選擇：對壞屬性說不
特徵建構：我們能建置全新的特徵嗎？
特徵轉換：數學登場囉！
特徵學習：以AI促進AI
小結

第2章：特徵理解：我的資料集裡面有什麼？
資料結構的有無
非結構化資料的例子：伺服器日誌
定量資料和定性資料
資料的4個等級
資料等級總結
小結

第3章：特徵改進：清洗資料集
識別資料中的遺漏值
處理資料集中的遺漏值
標準化和常態化
小結

第4章：特徵建構
檢查資料集
填補分類特徵
編碼分類變數
擴展數值特徵
針對文本的特徵建構
小結

第5章：特徵選擇
在特徵工程中實現更好的效能
建立基準機器學習管線
特徵選擇的類型
選用正確的特徵選擇方法
小結

第6章：特徵轉換
維度縮減：特徵轉換、特徵選擇與特徵建構
主成分分析
scikit-learn的PCA
中心化和縮放對PCA的影響
深入解釋主成分
線性判別分析
LDA與PCA：使用鳶尾花資料集
小結

第7章：特徵學習
資料的參數假設
受限玻爾茲曼機
伯努利受限玻爾茲曼機
在機器學習管線中應用RBM
學習文本特徵：詞向量
小結

第8章：案例分析
案例1A：臉部辨識－使用JAFFE
案例1B：臉部辨識－使用Olivetti Face
案例2：預測飯店評論資料的主題
小結