結論

データ前処理は「データをモデルが理解しやすいように整える」こと、特徴量エンジニアリングは「モデルの性能が向上するようにデータを改良する」こと。

データ前処理とは

データ前処理とは、モデルにデータを学習させる際にデータを「学習しやすいように整える」こと。

機械学習でデータを扱う際、最初から完璧に整ったものがそろっていることは少ないです。多くのデータには欠損値があり、データの形式が異なることもあります。
そういったデータをそのまま学習させてもエラーが発生したり、正しく予測ができなかったりすることが考えられます。

そこで、訓練データの前処理を行います。
具体的な処理として、以下のようなものが挙げられます。

これらを行うことで、モデルがデータを学習するのを助けます。

一方で特徴量エンジニアリングとは、データから新しい特徴を作り出したり、既存の特徴量（説明変数）を変換させることでモデルの性能を向上させるプロセスである。

具体的な処理として、以下のようなものが挙げられます。

これらを行うと、データからより目的に沿った情報が引き出され、モデルがより高精度で予測を行うことに繋がります。

以上のように、データ前処理と特徴量エンジニアリングは異なる目的で行われます。

ただし、One-Hot Encodingのようなデータ変換の処理はどちらの目的でも用いられることがあります。そういった意味では、それぞれの処理がこの2つのどちらかに明確に分けられるわけではなく、あくまでこれら2つは目的が違うだけとも言えます。

（間違いや誤解を生む点などあれば知らせていただけると幸いです。）