mlcourse.ai

mlcourse.ai – Offener Kurs für maschinelles Lernen

mlcourse.ai ist ein offener Kurs für maschinelles Lernen von OpenDataScience (ods.ai), geleitet von Yury Kashnitsky (yorko). Da ich sowohl einen Ph.D. Mit einem Abschluss in angewandter Mathematik und einem Kaggle Competition Master-Stufe wollte Yury einen ML-Kurs mit einer perfekten Balance zwischen Theorie und Praxis entwerfen. Daher erwartet Sie der Kurs mit mathematischen Formeln in Vorlesungen und viel Übung in Form von Aufgaben und Kaggle-Inclass-Wettbewerben. Derzeit findet der Kurs im Selbststudium statt. Hier führen wir Sie durch den Kurs mlcourse.ai zum Selbststudium.

Bonus: Zusätzlich können Sie ein Bonus-Aufgabenpaket mit den besten Nicht-Demoversionen von mlcourse.ai-Aufgaben erwerben. Wählen Sie die Stufe „Bonuszuweisungen“ aus. Einzelheiten zum Angebot finden Sie auf der Hauptseite mlcourse.ai.

Mirrors (:uk:-only): mlcourse.ai (Hauptseite), Kaggle Dataset (dieselben Notebooks wie Kaggle Notebooks)

Selbstgesteuertes Vorbeigehen

Sie werden durch 10 Wochen mlcourse.ai geführt. Für jede Woche, von Pandas bis Gradient Boosting, werden Anweisungen gegeben, welche Artikel Sie lesen, welche Vorträge Sie sich ansehen und welche Aufgaben Sie erledigen sollten.

Artikel

Dies ist die Liste der veröffentlichten Artikel auf medium.com ??, habr.com ??. Auch Notizbücher auf Chinesisch werden erwähnt ?? und Links zu Kaggle Notebooks (auf Englisch) werden angegeben. Symbole sind anklickbar.

1. Explorative Datenanalyse mit Pandas ?? ?? ??, Kaggle-Notizbuch
2. Visuelle Datenanalyse mit Python ?? ?? ??, Kaggle Notebooks: Teil 1, Teil 2
3. Klassifizierung, Entscheidungsbäume und k Nächste Nachbarn ?? ?? ??, Kaggle-Notizbuch
4. Lineare Klassifizierung und Regression ?? ?? ??, Kaggle-Notizbücher: Teil1, Teil2, Teil3, Teil4, Teil5
5. Absacken und zufälliger Wald ?? ?? ??, Kaggle-Notizbücher: Teil 1, Teil 2, Teil 3
6. Feature-Engineering und Feature-Auswahl ?? ?? ??, Kaggle-Notizbuch
7. Unüberwachtes Lernen: Hauptkomponentenanalyse und Clustering ?? ?? ??, Kaggle-Notizbuch
8. Vowpal Wabbit: Lernen mit Gigabytes an Daten ?? ?? ??, Kaggle-Notizbuch
9. Zeitreihenanalyse mit Python, Teil 1 ?? ?? ??. Mit dem Facebook-Propheten die Zukunft vorhersagen, Teil 2 ??, ?? Kaggle-Notizbücher: Teil 1, Teil 2
10. Steigungsverstärkung ?? ??, ??, Kaggle-Notizbuch

Vorträge

Videovorträge werden in diese YouTube-Playlist hochgeladen. Einführung, Video, Folien

1. Explorative Datenanalyse mit Pandas, Video
2. Visualisierung, Haupthandlungen für EDA, Video
3. Entscheidungsbäume: Theorie und praktischer Teil
4. Logistische Regression: theoretische Grundlagen, praktischer Teil (Grundlagen im „Alice“-Wettbewerb)
5. Ensembles und Random Forest – Teil 1. Klassifizierungsmetriken – Teil 2. Beispiel einer Geschäftsaufgabe, Vorhersage einer Kundenzahlung – Teil 3
6. Lineare Regression und Regularisierung – Theorie, LASSO & Ridge, LTV-Vorhersage – Praxis
7. Unüberwachtes Lernen – Hauptkomponentenanalyse und Clustering
8. Stochastischer Gradientenabstieg für Klassifizierung und Regression – Teil 1, Teil 2 wird noch bekannt gegeben
9. Zeitreihenanalyse mit Python (ARIMA, Prophet) – Video
10. Gradient Boosting: Grundideen – Teil 1, Schlüsselideen hinter Xgboost, LightGBM und CatBoost + Praxis – Teil 2

Aufgaben

Es folgen Demo-Aufgaben. Darüber hinaus können Sie im Rahmen der Stufe „Bonusaufgaben“ Zugriff auf Nicht-Demo-Aufgaben erhalten.

1. Explorative Datenanalyse mit Pandas, nbviewer, Kaggle Notebook, Lösung
2. Analyse von Daten zu Herz-Kreislauf-Erkrankungen, nbviewer, Kaggle Notebook, Lösung
3. Entscheidungsbäume mit einer Spielzeugaufgabe und dem UCI-Erwachsenendatensatz, nbviewer, Kaggle Notebook, Lösung
4. Sarkasmuserkennung, Kaggle Notebook, Lösung. Lineare Regression als Optimierungsproblem, nbviewer, Kaggle Notebook
5. Logistische Regression und Random Forest im Kreditbewertungsproblem, nbviewer, Kaggle Notebook, Lösung
6. Erkunden von OLS, Lasso und Random Forest in einer Regressionsaufgabe, nbviewer, Kaggle Notebook, Lösung
7. Unüberwachtes Lernen, nbviewer, Kaggle Notebook, Lösung
8. Implementierung von Online-Regressor, nbviewer, Kaggle Notebook, Lösung
9. Zeitreihenanalyse, nbviewer, Kaggle Notebook, Lösung
10. Kaggle Notebook schlägt die Grundlinie in einem Wettbewerb

Bonusaufgaben

Darüber hinaus können Sie ein Bonus-Aufgabenpaket mit den besten Nicht-Demoversionen von mlcourse.ai-Aufgaben erwerben. Wählen Sie die Stufe „Bonusaufgaben“ auf Patreon oder eine ähnliche Stufe auf Boosty (rus).

Details zum Deal

mlcourse.ai befindet sich noch im Selbstlernmodus, wir bieten Ihnen jedoch Bonusaufgaben mit Lösungen für einen Beitrag von 17 $/Monat an. Die Idee ist, dass Sie etwa 1–5 Monate bezahlen, während Sie die Kursmaterialien studieren, aber ein einzelner Beitrag ist immer noch in Ordnung und eröffnet Ihnen Zugang zum Bonuspaket.

Hinweis: Die erste Zahlung wird zum Zeitpunkt des Beitritts zur Patreon-Stufe abgebucht und die nächste Zahlung wird am 1. Tag des nächsten Monats abgebucht. Daher ist es besser, das Paket in der 1. Monatshälfte zu kaufen.

mlcourse.ai soll nie vollständig monetarisiert werden (es wird in der wunderbaren offenen ODS.ai-Community erstellt und bleibt offen und kostenlos), aber es würde helfen, einige Betriebskosten zu decken, und Yury hat auch einiges an Mühe darauf verwendet, alles zusammenzustellen Die besten Aufgaben in einem Paket. Bitte beachten Sie, dass Bonusaufgaben im Gegensatz zum Rest des Kursinhalts urheberrechtlich geschützt sind. Informell ist es für Yury in Ordnung, wenn Sie das Paket mit 2-3 Freunden teilen, aber die öffentliche Weitergabe des Bonusaufgabenpakets ist verboten.

Das Bonuspaket enthält 10 Aufgaben. In einigen davon müssen Sie in einem Kaggle-Wettbewerb unter gründlicher Anleitung eine Grundlinie erreichen („Alice“ und „Medium“) oder einen Algorithmus von Grund auf implementieren – einen effizienten stochastischen Gradientenabstiegsklassifikator und eine Gradientenverstärkung .

Kaggle-Wettbewerbe

1. Catch Me If You Can: Eindringlingserkennung durch Webseiten-Sitzungsverfolgung. Kaggle Inclass
2. Vorhersage der Beliebtheit eines Medium-Artikels. Kaggle Inclass
3. Vorhersage des Gewinners von DotA 2. Kaggle Inclass

Unter Berufung auf mlcourse.ai

Wenn Sie mlcourse.ai in Ihrer Arbeit zitieren, können Sie diesen BibTeX-Eintrag verwenden:

 @misc{mlcourse_ai,
    author = {Kashnitsky, Yury},
    title = {mlcourse.ai – Open Machine Learning Course},
    year = {2020},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {url{https://github.com/Yorko/mlcourse.ai}},
}

Gemeinschaft

Sie können der Singularis.ai-Slack-Community beitreten, um Fragen zu den Kursmaterialien zu stellen. Die Community ist größtenteils russischsprachig, Fragen auf Englisch sind jedoch weiterhin willkommen.