mlcourse.ai

mlcourse.ai - Curso abierto de aprendizaje automático

mlcourse.ai es un curso abierto de aprendizaje automático de OpenDataScience (ods.ai), dirigido por Yury Kashnitsky (yorko). Tener un doctorado. Licenciado en matemáticas aplicadas y nivel Master de Kaggle Competitions, Yury tenía como objetivo diseñar un curso de ML con un equilibrio perfecto entre teoría y práctica. Por lo tanto, el curso le ofrece fórmulas matemáticas en conferencias y mucha práctica en forma de tareas y competencias de Kaggle Inclass. Actualmente, el curso se realiza a su propio ritmo . Aquí lo guiamos a través del mlcourse.ai a su propio ritmo.

Bonificación: además, puede comprar un paquete de tareas adicionales con las mejores versiones no de demostración de las tareas de mlcourse.ai. Seleccione el nivel "Asignaciones de bonificación". Consulte los detalles de la oferta en la página principal mlcourse.ai.

Mirrors (:uk:-only): mlcourse.ai (sitio principal), Kaggle Dataset (los mismos cuadernos que Kaggle Notebooks)

Pase a su propio ritmo

Se le guiará a lo largo de 10 semanas de mlcourse.ai. Para cada semana, desde Pandas hasta Gradient Boosting, se dan instrucciones sobre qué artículos leer, conferencias ver y qué tareas realizar.

Artículos

Esta es la lista de artículos publicados en medium.com ??, habr.com ??. ¿También se mencionan cuadernos en chino? y se proporcionan enlaces a Kaggle Notebooks (en inglés). Se puede hacer clic en los iconos.

1. ¿Análisis de datos exploratorios con Pandas? ?? ??, Cuaderno Kaggle
2. ¿Análisis de datos visuales con Python? ?? ??, Cuadernos Kaggle: parte 1, parte 2
3. Clasificación, Árboles de Decisión y k Vecinos Más Cercanos ?? ?? ??, Cuaderno Kaggle
4. ¿Clasificación lineal y regresión? ?? ??, Cuadernos Kaggle: parte1, parte2, parte3, parte4, parte5
5. ¿Embolsado y bosque aleatorio? ?? ??, Cuadernos Kaggle: parte1, parte2, parte3
6. ¿Ingeniería de funciones y selección de funciones? ?? ??, Cuaderno Kaggle
7. Aprendizaje no supervisado: ¿Análisis de componentes principales y agrupación? ?? ??, Cuaderno Kaggle
8. Vowpal Wabbit: ¿Aprender con Gigabytes de Datos? ?? ??, Cuaderno Kaggle
9. Análisis de series de tiempo con Python, parte 1 ?? ??. Predecir el futuro con Facebook Prophet, parte 2 ??, ?? Cuadernos Kaggle: parte 1, parte 2
10. ¿Impulso de gradiente? ??, ??, Cuaderno Kaggle

conferencias

Las videoconferencias se suben a esta lista de reproducción de YouTube. Introducción, vídeo, diapositivas.

1. Análisis exploratorio de datos con Pandas, vídeo
2. Visualización, tramas principales para EDA, vídeo.
3. Árboles de decisión: teoría y parte práctica.
4. Regresión logística: fundamentos teóricos, parte práctica (líneas de base en el concurso "Alice")
5. Ensembles y Random Forest – parte 1. Métricas de clasificación – parte 2. Ejemplo de una tarea empresarial, predicción del pago de un cliente – parte 3
6. Regresión lineal y regularización: teoría, LASSO & Ridge, predicción LTV: práctica
7. Aprendizaje no supervisado: análisis de componentes principales y agrupación
8. Descenso de gradiente estocástico para clasificación y regresión: parte 1, parte 2 por confirmar
9. Análisis de series de tiempo con Python (ARIMA, Prophet) - vídeo
10. Aumento de gradiente: ideas básicas - parte 1, ideas clave detrás de Xgboost, LightGBM y CatBoost + práctica - parte 2

Asignaciones

Las siguientes son tareas de demostración. Además, dentro del nivel "Asignaciones de bonificación" puede obtener acceso a tareas que no son de demostración.

1. Análisis exploratorio de datos con Pandas, nbviewer, Kaggle Notebook, solución
2. Análisis de datos de enfermedades cardiovasculares, nbviewer, Kaggle Notebook, solución
3. Árboles de decisión con una tarea de juguete y el conjunto de datos UCI Adult, nbviewer, Kaggle Notebook, solución
4. Detección de sarcasmo, Kaggle Notebook, solución. Regresión lineal como problema de optimización, nbviewer, Kaggle Notebook
5. Regresión logística y bosque aleatorio en el problema de calificación crediticia, nbviewer, Kaggle Notebook, solución
6. Explorando OLS, Lasso y Random Forest en una tarea de regresión, nbviewer, Kaggle Notebook, solución
7. Aprendizaje no supervisado, nbviewer, Kaggle Notebook, solución
8. Implementación de regresor en línea, nbviewer, Kaggle Notebook, solución
9. Análisis de series temporales, nbviewer, Kaggle Notebook, solución
10. Superar la línea de base en una competencia, Kaggle Notebook

Asignaciones de bonificación

Además, puede comprar un paquete de tareas adicionales con las mejores versiones no de demostración de las tareas de mlcourse.ai. Seleccione el nivel "Asignaciones de bonificación" en Patreon o un nivel similar en Boosty (rus).

Detalles del trato

mlcourse.ai todavía está en modo a su propio ritmo, pero le ofrecemos tareas de bonificación con soluciones por una contribución de $17 al mes. La idea es que pagues entre 1 y 5 meses mientras estudias los materiales del curso, pero una sola contribución aún está bien y abre tu acceso al paquete de bonificación.

Nota: el primer pago se cobra al momento de unirte al Tier Patreon, y el siguiente pago se cobra el día 1 del mes siguiente, por lo que es mejor comprar el paquete en la primera mitad del mes.

Se supone que mlcourse.ai nunca se monetizará por completo (se creó en la maravillosa comunidad abierta ODS.ai y permanecerá abierto y gratuito), pero ayudaría a cubrir algunos costos operativos, y Yury también se esforzó bastante en ensamblar todo. Las mejores tareas en un solo paquete. Tenga en cuenta que, a diferencia del resto del contenido del curso, las tareas adicionales tienen derechos de autor. Informalmente, a Yury está bien si compartes el paquete con 2 o 3 amigos, pero está prohibido compartir públicamente el paquete de Asignaciones de bonificación.

El paquete de bonificación contiene 10 tareas, en algunas de ellas tienes el desafío de superar una línea de base en una competencia de Kaggle bajo una guía exhaustiva ("Alice" y "Medium") o implementar un algoritmo desde cero: clasificador de descenso de gradiente estocástico eficiente y aumento de gradiente. .

Competiciones de Kaggle

1. Atrápame si puedes: detección de intrusos mediante el seguimiento de sesiones de páginas web. Kaggle en clase
2. Predecir la popularidad de un artículo de Medium. Kaggle en clase
3. Predicción del ganador de DotA 2. Kaggle en clase

Citando mlcourse.ai

Si cita mlcourse.ai en su trabajo, puede utilizar este registro BibTeX:

 @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}},
}

Comunidad

Puede unirse a la comunidad de Singularis.ai Slack para hacer preguntas sobre los materiales del curso. La comunidad es mayoritariamente de habla rusa, pero las preguntas en inglés siguen siendo bienvenidas.