Ce module présente Vertex AI Feature Store.

L'ingénierie des caractéristiques est souvent la phase la plus longue et la plus difficile du développement de votre projet de ML. Dans le processus d'ingénierie des caractéristiques, vous partez de vos données brutes et utilisez votre propre connaissance du domaine pour créer des caractéristiques qui feront fonctionner vos algorithmes de ML. Dans ce module, nous explorerons ce qui constitue une bonne caractéristique et découvrirons comment la représenter dans votre modèle de ML.

Ce module examine les différences entre le machine learning et les statistiques, et comment effectuer une ingénierie des caractéristiques dans BigQuery ML et Keras. Nous aborderons également certaines pratiques avancées d'ingénierie des caractéristiques.

Dans ce module, vous en apprendrez plus sur Dataflow, une technologie complémentaire d'Apache Beam. Grâce à ces deux technologies, vous pouvez créer et accéder à des fonctionnalités de prétraitement et d'ingénierie des caractéristiques.

Dans le machine learning traditionnel, les croisements de caractéristiques ne jouent pas un rôle très important, mais dans les méthodes modernes, ils constituent un outil à la valeur inestimable. Dans ce module, vous apprendrez à reconnaître les types de problèmes pour lesquels les croisements de caractéristiques constituent un outil puissant aidant les machines à apprendre.

TensorFlow Transform (tf.Transform) est une bibliothèque de prétraitement des données avec TensorFlow qui est utile pour les prétraitements nécessitant un passage complet des données, comme : - la normalisation d'une valeur d'entrée par la moyenne et l'écart type - la conversion de chaînes en nombres entiers en générant un vocabulaire sur toutes les valeurs d'entrée - la segmentation des entrées basées sur la distribution des données observées Dans ce module, nous allons explorer les cas d'utilisation de tf.Transform.

Ce module est un résumé du cours "Feature Engineering".