mlcourse.ai

mlcourse.ai – Kursus Pembelajaran Mesin Terbuka

mlcourse.ai adalah kursus Machine Learning terbuka oleh OpenDataScience (ods.ai), dipimpin oleh Yury Kashnitsky (yorko). Memiliki keduanya Ph.D. gelar dalam matematika terapan dan tingkat Master Kompetisi Kaggle, Yury bertujuan merancang kursus ML dengan keseimbangan sempurna antara teori dan praktik. Oleh karena itu, kursus ini mempertemukan Anda dengan rumus matematika di perkuliahan, dan banyak latihan dalam bentuk tugas dan kompetisi Kaggle Inclass. Saat ini, kursus berada dalam mode mandiri . Di sini kami memandu Anda melalui mlcourse.ai mandiri.

Bonus: Selain itu, Anda dapat membeli paket Tugas Bonus dengan tugas mlcourse.ai versi non-demo terbaik. Pilih tingkat "Tugas Bonus". Lihat detail kesepakatan di halaman utama mlcourse.ai.

Mirror (:uk:-only): mlcourse.ai (situs utama), Kaggle Dataset (notes yang sama dengan Kaggle Notebooks)

Passing mandiri

Anda dipandu melalui 10 minggu mlcourse.ai. Untuk setiap minggunya, mulai dari Pandas hingga Gradient Boosting, instruksi diberikan tentang artikel mana yang harus dibaca, ceramah yang harus ditonton, tugas apa yang harus diselesaikan.

Artikel

Ini adalah daftar artikel yang diterbitkan di medium.com??, habr.com??. Juga buku catatan dalam bahasa Cina disebutkan ?? dan tautan ke Kaggle Notebooks (dalam bahasa Inggris) diberikan. Ikon dapat diklik.

1. Analisis Data Eksplorasi dengan Pandas ?? ?? ??, Buku Catatan Kaggle
2. Analisis Data Visual dengan Python ?? ?? ??, Buku Catatan Kaggle: bagian1, bagian2
3. Klasifikasi, Pohon Keputusan, dan K Tetangga Terdekat ?? ?? ??, Buku Catatan Kaggle
4. Klasifikasi dan Regresi Linier ?? ?? ??, Buku Catatan Kaggle: bagian1, bagian2, bagian3, bagian4, bagian5
5. Mengantongi dan Hutan Acak ?? ?? ??, Buku Catatan Kaggle: bagian1, bagian2, bagian3
6. Rekayasa Fitur dan Pemilihan Fitur ?? ?? ??, Buku Catatan Kaggle
7. Pembelajaran Tanpa Pengawasan: Analisis dan Pengelompokan Komponen Utama ?? ?? ??, Buku Catatan Kaggle
8. Vowpal Wabbit: Belajar dengan Gigabytes Data ?? ?? ??, Buku Catatan Kaggle
9. Analisis Rangkaian Waktu dengan Python, bagian 1 ?? ?? ??. Memprediksi masa depan dengan Facebook Nabi, bagian 2 ??, ?? Buku Catatan Kaggle: bagian 1, bagian 2
10. Peningkatan Gradien ?? ??, ??, Buku Catatan Kaggle

Kuliah

Video ceramah diunggah ke playlist YouTube ini. Pendahuluan, video, slide

1. Analisis data eksplorasi dengan Pandas, video
2. Visualisasi, plot utama untuk EDA, video
3. Pohon keputusan: teori dan bagian praktis
4. Regresi logistik: landasan teori, bagian praktis (dasar dalam kompetisi "Alice")
5. Ensembles dan Random Forest – bagian 1. Metrik klasifikasi – bagian 2. Contoh tugas bisnis, memprediksi pembayaran pelanggan – bagian 3
6. Regresi dan regularisasi linier - teori, LASSO & Ridge, prediksi LTV - praktik
7. Pembelajaran tanpa pengawasan - Analisis dan Pengelompokan Komponen Utama
8. Penurunan Gradien Stochastic untuk klasifikasi dan regresi - bagian 1, bagian 2 TBA
9. Analisis deret waktu dengan Python (ARIMA, Prophet) - video
10. Peningkatan gradien: ide dasar - bagian 1, ide utama di balik latihan Xgboost, LightGBM, dan CatBoost + - bagian 2

Tugas

Berikut ini adalah tugas demo. Selain itu, dalam tingkat "Tugas Bonus" Anda bisa mendapatkan akses ke tugas non-demo.

1. Analisis data eksplorasi dengan solusi Pandas, nbviewer, Kaggle Notebook
2. Menganalisis data penyakit kardiovaskular, nbviewer, Kaggle Notebook, solusi
3. Pohon keputusan dengan tugas mainan dan kumpulan data UCI Dewasa, nbviewer, Kaggle Notebook, solusi
4. Deteksi sarkasme, Kaggle Notebook, solusi. Regresi Linier sebagai masalah pengoptimalan, nbviewer, Kaggle Notebook
5. Regresi Logistik dan Random Forest dalam masalah penilaian kredit, nbviewer, Kaggle Notebook, solusi
6. Menjelajahi OLS, Lasso, dan Random Forest dalam tugas regresi, nbviewer, Kaggle Notebook, solusi
7. Pembelajaran tanpa pengawasan, nbviewer, Kaggle Notebook, solusi
8. Menerapkan regressor online, nbviewer, Kaggle Notebook, solusi
9. Analisis deret waktu, nbviewer, Kaggle Notebook, solusi
10. Mengalahkan baseline dalam sebuah kompetisi, Kaggle Notebook

tugas bonus

Selain itu, Anda dapat membeli paket Tugas Bonus dengan tugas mlcourse.ai versi non-demo terbaik. Pilih tingkat "Tugas Bonus" di Patreon atau tingkat serupa di Boosty (rus).

Detail kesepakatan

mlcourse.ai masih dalam mode mandiri tetapi kami menawarkan Anda Tugas Bonus dengan solusi dengan kontribusi $17/bulan. Idenya adalah Anda membayar selama ~1-5 bulan saat mempelajari materi kursus, namun satu kontribusi tetap diperbolehkan dan membuka akses Anda ke paket bonus.

Catatan: pembayaran pertama dibebankan pada saat bergabung dengan Tier Patreon, dan pembayaran berikutnya dibebankan pada tanggal 1 bulan berikutnya, jadi lebih baik membeli paket di paruh pertama bulan tersebut.

mlcourse.ai tidak seharusnya dimonetisasi sepenuhnya (itu dibuat di komunitas ODS.ai terbuka yang luar biasa dan akan tetap terbuka dan gratis) tetapi ini akan membantu menutupi beberapa biaya operasional, dan Yury juga berupaya keras untuk mengumpulkan semua tugas terbaik ke dalam satu paket. Harap diperhatikan bahwa tidak seperti konten kursus lainnya, Tugas Bonus memiliki hak cipta. Secara informal, Yury boleh saja jika Anda berbagi paket dengan 2-3 teman, tetapi dilarang berbagi paket Tugas Bonus secara publik.

Paket bonus berisi 10 tugas, di beberapa di antaranya Anda ditantang untuk mengalahkan garis dasar dalam kompetisi Kaggle di bawah bimbingan menyeluruh ("Alice" dan "Medium") atau menerapkan algoritme dari awal -- pengklasifikasi penurunan gradien stokastik yang efisien dan peningkatan gradien .

Kompetisi Kaggle

1. Tangkap Saya Jika Anda Bisa: Deteksi Penyusup melalui Pelacakan Sesi Halaman Web. Kelas Kaggle
2. Memprediksi popularitas artikel Medium. Kelas Kaggle
3. Prediksi pemenang DotA 2. Kelas Kaggle

Mengutip mlcourse.ai

Jika Anda mengutip mlcourse.ai dalam karya Anda, Anda dapat menggunakan data BibTeX ini:

 @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}},
}

Masyarakat

Anda dapat bergabung dengan komunitas Singularis.ai Slack untuk mengajukan pertanyaan tentang materi kursus. Komunitasnya sebagian besar berbahasa Rusia, namun pertanyaan dalam bahasa Inggris tetap diterima.