本模块介绍顶点人工智能特征库。

特征工程通常是构建 ML 项目过程中最漫长、最困难的阶段。在特征工程过程中，您需要从原始数据开始，利用自身的领域知识创建能让机器学习算法发挥作用的特征。在本模块中，我们将探讨什么是好的特征，以及如何在 ML 模型中体现这些特征。

本模块将回顾机器学习和统计学之间的差异，以及如何在 BigQuery ML 和 Keras 中执行特征工程。我们还将介绍一些高级特征工程实践。

在本模块中，您将了解更多有关 Dataflow 的信息，它是 Apache Beam 的补充技术，两者都可以帮助您构建和运行预处理和特征工程。

在传统的机器学习中，特征交叉的作用并不大，但在现代的 ML 方法中，特征交叉是您工具包中非常宝贵的一部分。在本模块中，您将学习如何识别特征交叉是帮助机器学习的有力方法的问题类型。

TensorFlow Transform（tf.Transform）是一个使用 TensorFlow 进行数据预处理的库。tf.Transform 适用于需要完整传递数据的预处理，例如： - 通过平均值和 stdev 对输入值进行归一化处理 - 通过查看所有输入示例的值对词汇进行整数化处理 - 根据观察到的数据分布对输入进行桶化处理 在本模块中，我们将探讨 tf.Transform 的用例。

本模块是对特征工程课程的总结。