趋近智
应用数据科学：方法与实践
章节 1: 高级数据获取与准备
连接数据库和数据仓库
使用Web API获取数据
网页抓取结构化数据的技巧
高级数据清洗方法
处理缺失值的策略
数据转换与标准化方法
合并与连接不同数据集
动手实践：数据获取与规整
章节 2: 实用特征工程
从数值数据生成特征
高效编码类别变量
从文本数据生成特征
交互项与多项式特征
PCA降维
使用统计方法选择特征
实践：特征创建与选择
章节 3: 构建与调整预测模型
常用监督学习算法回顾
实施线性回归与逻辑回归
应用基于树的模型
梯度提升机介绍
使用网格搜索和随机搜索进行超参数调优
模型准确度评估
交叉验证策略
动手实践：模型训练与超参数优化
章节 4: 应用无监督学习
理解聚类方法要点
实现K-Means聚类
应用 DBSCAN 进行基于密度的聚类
异常检测方法简介
用于可视化的降维
动手实践：聚类与异常检测练习
章节 5: 模型部署要点
保存和加载训练好的模型
模型服务框架简介
构建模型预测的REST API
使用 Docker 容器化应用
模型监控基本要点
实践：创建模型API并将其容器化
从数值数据生成特征
这部分内容有帮助吗？
- Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists, Alice Zheng, Amanda Casari, 2018 (O'Reilly Media) - 本书为特征工程的各种技术提供了基础知识和实用方法，包括数值数据的分箱、多项式特征和数学转换。
- sklearn.preprocessing.PolynomialFeatures, Scikit-learn Developers, 2023 Scikit-learn Documentation - 官方文档，解释了用于从数值输入生成多项式和交互特征的PolynomialFeatures转换器的使用方法和参数。
- scipy.stats.boxcox, SciPy Developers, 2023 SciPy Documentation - 官方文档，详细介绍了Box-Cox变换函数的数学基础和实际应用，用于规范数据分布。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2022 (O'Reilly Media) - 一本实用指南，涵盖了预处理技术，包括特征缩放、转换和生成新特征，对于改进各种机器学习模型至关重要。