Questo modulo introduce Vertex AI Feature Store.

Il feature engineering è spesso la fase più lunga e difficile della creazione del tuo progetto di ML. Nel processo di feature engineering, inizi con i tuoi dati non elaborati e utilizzi la tua conoscenza del dominio per creare caratteristiche che faranno funzionare i tuoi algoritmi di machine learning. In questo modulo esploriamo gli elementi che rendono valida una caratteristica e come rappresentarli nel modello di ML.

Questo modulo analizza le differenze tra machine learning e statistiche e come eseguire il feature engineering sia in BigQuery ML che in Keras. Tratteremo anche alcune pratiche avanzate di feature engineering.

In questo modulo imparerai di più su Dataflow, che è una tecnologia complementare ad Apache Beam: entrambi possono aiutarti a creare ed eseguire preelaborazione e feature engineering.

Nel machine learning tradizionale, gli incroci di caratteristiche non svolgono un ruolo importante, ma nei metodi di ML moderni, sono una parte inestimabile del tuo toolkit. In questo modulo imparerai a riconoscere i tipi di problemi in cui gli incroci di caratteristiche rappresentano un modo efficace per aiutare le macchine ad apprendere.

TensorFlow Transform (tf.Transform) è una libreria per la pre-elaborazione dei dati con TensorFlow. tf.Transform è utile per la pre-elaborazione che richiede un passaggio completo dei dati, come ad esempio: normalizzazione di un valore di input tramite mean e stdev; integrazione di un vocabolario esaminando tutti gli esempi di input per valori; suddivisione in bucket degli input in base alla distribuzione dei dati osservati. In questo modulo esploreremo i casi d'uso per tf.Transform.

Questo modulo è un riepilogo del corso Feature Engineering.