mlcourse.ai

mlcourse.ai – Cours ouvert d’apprentissage automatique

mlcourse.ai est un cours ouvert d'apprentissage automatique d'OpenDataScience (ods.ai), dirigé par Yury Kashnitsky (yorko). Avoir à la fois un doctorat. Diplômé en mathématiques appliquées et niveau Master Kaggle Competitions, Yury visait à concevoir un cours de ML avec un équilibre parfait entre théorie et pratique. Ainsi, le cours vous présente des formules mathématiques sous forme de cours magistraux et beaucoup de pratique sous forme de devoirs et de concours Kaggle Inclass. Actuellement, le cours se déroule en mode à votre rythme . Ici, nous vous guidons à travers le mlcourse.ai à votre rythme.

Bonus : de plus, vous pouvez acheter un pack de devoirs bonus avec les meilleures versions non démo des devoirs mlcourse.ai. Sélectionnez le niveau « Affectations bonus ». Reportez-vous aux détails de l'offre sur la page principale mlcourse.ai.

Miroirs (:uk:-only) : mlcourse.ai (site principal), Kaggle Dataset (mêmes blocs-notes que Kaggle Notebooks)

Passage à votre rythme

Vous êtes guidé à travers 10 semaines de mlcourse.ai. Pour chaque semaine, de Pandas à Gradient Boosting, des instructions sont données sur les articles à lire, les conférences à regarder, les devoirs à accomplir.

Articles

Voici la liste des articles publiés sur medium.com ??, habr.com ??. Des cahiers en chinois sont également mentionnés ?? et des liens vers Kaggle Notebooks (en anglais) sont fournis. Les icônes sont cliquables.

1. Analyse exploratoire des données avec Pandas ?? ?? ??, Carnet Kaggle
2. Analyse de données visuelles avec Python ?? ?? ??, Cahiers Kaggle : partie 1, partie 2
3. Classification, arbres de décision et k voisins les plus proches ?? ?? ??, Carnet Kaggle
4. Classification linéaire et régression ?? ?? ??, Cahiers Kaggle : partie 1, partie 2, partie 3, partie 4, partie 5
5. Ensachage et forêt aléatoire ?? ?? ??, Cahiers Kaggle : partie 1, partie 2, partie 3
6. Ingénierie des fonctionnalités et sélection des fonctionnalités ?? ?? ??, Carnet Kaggle
7. Apprentissage non supervisé : analyse en composantes principales et clustering ?? ?? ??, Carnet Kaggle
8. Vowpal Wabbit : Apprendre avec des gigaoctets de données ?? ?? ??, Carnet Kaggle
9. Analyse des séries chronologiques avec Python, partie 1 ?? ?? ??. Prédire l'avenir avec Facebook Prophet, partie 2 ??, ?? Cahiers Kaggle : partie 1, partie 2
10. Augmentation du dégradé ?? ??, ??, Carnet Kaggle

Conférences

Les vidéoconférences sont téléchargées sur cette playlist YouTube. Introduction, vidéo, diapositives

1. Analyse exploratoire des données avec Pandas, vidéo
2. Visualisation, tracés principaux pour EDA, vidéo
3. Arbres de décision : partie théorique et partie pratique
4. Régression logistique : fondements théoriques, partie pratique (baselines du concours "Alice")
5. Ensembles et Random Forest – partie 1. Métriques de classification – partie 2. Exemple de tâche métier, prédire le paiement d'un client – ​​partie 3
6. Régression linéaire et régularisation - théorie, LASSO & Ridge, prédiction LTV - pratique
7. Apprentissage non supervisé - Analyse en composantes principales et clustering
8. Descente de gradient stochastique pour la classification et la régression - partie 1, partie 2 à déterminer
9. Analyse de séries chronologiques avec Python (ARIMA, Prophet) - vidéo
10. Boosting de dégradé : idées de base - partie 1, idées clés derrière Xgboost, LightGBM et CatBoost + pratique - partie 2

Missions

Ce qui suit sont des tâches de démonstration. De plus, au sein du niveau « Devoirs bonus », vous pouvez accéder à des devoirs non-démo.

1. Analyse exploratoire des données avec Pandas, nbviewer, Kaggle Notebook, solution
2. Analyse des données sur les maladies cardiovasculaires, nbviewer, Kaggle Notebook, solution
3. Arbres de décision avec une tâche jouet et l'ensemble de données UCI Adult, nbviewer, Kaggle Notebook, solution
4. Détection de sarcasme, Kaggle Notebook, solution. La régression linéaire comme problème d'optimisation, nbviewer, Kaggle Notebook
5. Régression logistique et forêt aléatoire dans le problème de notation de crédit, nbviewer, Kaggle Notebook, solution
6. Explorer OLS, Lasso et Random Forest dans une tâche de régression, nbviewer, Kaggle Notebook, solution
7. Apprentissage non supervisé, nbviewer, Kaggle Notebook, solution
8. Implémentation d'un régresseur en ligne, nbviewer, Kaggle Notebook, solution
9. Analyse de séries chronologiques, nbviewer, Kaggle Notebook, solution
10. Battre la ligne de base dans une compétition, Kaggle Notebook

Missions bonus

De plus, vous pouvez acheter un pack de devoirs bonus avec les meilleures versions non démo des devoirs mlcourse.ai. Sélectionnez le niveau « Affectations bonus » sur Patreon ou un niveau similaire sur Boosty (rus).

Détails de l'accord

mlcourse.ai est toujours en mode apprentissage personnel mais nous vous proposons des missions bonus avec des solutions pour une contribution de 17 $/mois. L'idée est que vous payez pendant environ 1 à 5 mois pendant que vous étudiez le matériel de cours, mais une seule contribution suffit toujours et ouvre votre accès au pack bonus.

Remarque : le premier paiement est facturé au moment de l'adhésion au niveau Patreon, et le prochain paiement est facturé le 1er jour du mois suivant, il est donc préférable d'acheter le pack dans la 1ère quinzaine du mois.

mlcourse.ai n'est jamais censé être entièrement monétisé (il est créé dans la merveilleuse communauté ouverte ODS.ai et restera ouvert et gratuit), mais cela aiderait à couvrir certains coûts opérationnels, et Yury a également déployé de nombreux efforts pour assembler tous les éléments. les meilleures missions dans un seul pack. Veuillez noter que contrairement au reste du contenu du cours, les devoirs bonus sont protégés par le droit d'auteur. De manière informelle, Yury va bien si vous partagez le pack avec 2-3 amis, mais le partage public du pack Bonus Devoirs est interdit.

Le pack bonus contient 10 missions, dans certaines d'entre elles vous êtes mis au défi de battre une ligne de base dans une compétition Kaggle sous une direction approfondie ("Alice" et "Medium") ou d'implémenter un algorithme à partir de zéro - un classificateur de descente de gradient stochastique efficace et une augmentation de gradient. .

Compétitions Kaggle

1. Arrêtez-moi si vous le pouvez : détection des intrusions via le suivi des sessions de pages Web. Kaggle en classe
2. Prédire la popularité d'un article Medium. Kaggle en classe
3. Prédiction du gagnant DotA 2. Kaggle en classe

Citant mlcourse.ai

Si vous citez mlcourse.ai dans votre travail, vous pouvez utiliser cet enregistrement 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}},
}

Communauté

Vous pouvez rejoindre la communauté Singularis.ai Slack pour poser des questions sur le matériel de cours. La communauté est majoritairement russophone mais les questions en anglais restent les bienvenues.