mlcourse.ai

mlcourse.ai – Curso Aberto de Aprendizado de Máquina

mlcourse.ai é um curso aberto de aprendizado de máquina da OpenDataScience (ods.ai), liderado por Yury Kashnitsky (yorko). Ter um Ph.D. formado em matemática aplicada e nível Kaggle Competitions Master, Yury pretendia projetar um curso de ML com um equilíbrio perfeito entre teoria e prática. Assim, o curso atende fórmulas matemáticas em aulas teóricas e muita prática em forma de trabalhos e competições Kaggle Inclass. Atualmente, o curso está em modo individualizado . Aqui nós o guiamos através do mlcourse.ai individualizado.

Bônus: Além disso, você pode comprar um pacote de tarefas bônus com as melhores versões não demo das tarefas mlcourse.ai. Selecione o nível "Atribuições bônus". Consulte os detalhes da oferta na página principal mlcourse.ai.

Mirrors (:uk:-only): mlcourse.ai (site principal), Kaggle Dataset (mesmos notebooks dos Kaggle Notebooks)

Passe individualizado

Você será guiado por 10 semanas de mlcourse.ai. Para cada semana, do Pandas ao Gradient Boosting, são fornecidas instruções sobre quais artigos ler, palestras assistir e quais tarefas realizar.

Artigos

Esta é a lista de artigos publicados em medium.com ??, habr.com ??. Também são mencionados cadernos em chinês ?? e links para Kaggle Notebooks (em inglês) são fornecidos. Os ícones são clicáveis.

1. Análise Exploratória de Dados com Pandas ?? ?? ??, Caderno Kaggle
2. Análise Visual de Dados com Python ?? ?? ??, Cadernos Kaggle: parte1, parte2
3. Classificação, árvores de decisão e k vizinhos mais próximos ?? ?? ??, Caderno Kaggle
4. Classificação Linear e Regressão ?? ?? ??, Cadernos Kaggle: parte1, parte2, parte3, parte4, parte5
5. Ensacamento e Floresta Aleatória ?? ?? ??, Cadernos Kaggle: parte1, parte2, parte3
6. Engenharia de recursos e seleção de recursos ?? ?? ??, Caderno Kaggle
7. Aprendizagem não supervisionada: análise de componentes principais e agrupamento ?? ?? ??, Caderno Kaggle
8. Vowpal Wabbit: Aprendendo com Gigabytes de Dados ?? ?? ??, Caderno Kaggle
9. Análise de série temporal com Python, parte 1 ?? ?? ??. Prevendo o futuro com o Facebook Prophet, parte 2 ??, ?? Cadernos Kaggle: parte 1, parte 2
10. Aumento de gradiente ?? ??, ??, Caderno Kaggle

Palestras

As videoaulas são enviadas para esta lista de reprodução do YouTube. Introdução, vídeo, slides

1. Análise exploratória de dados com Pandas, vídeo
2. Visualização, enredos principais para EDA, vídeo
3. Árvores de decisão: teoria e parte prática
4. Regressão logística: fundamentos teóricos, parte prática (bases no concurso "Alice")
5. Conjuntos e floresta aleatória – parte 1. Métricas de classificação – parte 2. Exemplo de tarefa de negócios, previsão de pagamento de um cliente – parte 3
6. Regressão linear e regularização - teoria, LASSO & Ridge, previsão de LTV - prática
7. Aprendizagem não supervisionada - Análise de Componentes Principais e Clustering
8. Descida Gradiente Estocástica para classificação e regressão - parte 1, parte 2 TBA
9. Análise de série temporal com Python (ARIMA, Profeta) - vídeo
10. Aumento de gradiente: ideias básicas - parte 1, ideias principais por trás de Xgboost, LightGBM e CatBoost + prática - parte 2

Tarefas

A seguir estão as tarefas de demonstração. Além disso, no nível "Atribuições bônus", você pode obter acesso a tarefas que não são de demonstração.

1. Análise exploratória de dados com Pandas, nbviewer, Kaggle Notebook, solução
2. Analisando dados de doenças cardiovasculares, nbviewer, Kaggle Notebook, solução
3. Árvores de decisão com uma tarefa de brinquedo e o conjunto de dados UCI Adult, nbviewer, Kaggle Notebook, solução
4. Detecção de sarcasmo, Kaggle Notebook, solução. Regressão Linear como problema de otimização, nbviewer, Kaggle Notebook
5. Regressão Logística e Floresta Aleatória no problema de credit score, nbviewer, Kaggle Notebook, solução
6. Explorando OLS, Lasso e Random Forest em uma tarefa de regressão, nbviewer, Kaggle Notebook, solução
7. Aprendizagem não supervisionada, nbviewer, Kaggle Notebook, solução
8. Implementando regressor online, nbviewer, Kaggle Notebook, solução
9. Análise de série temporal, nbviewer, Kaggle Notebook, solução
10. Superando a linha de base em uma competição, Kaggle Notebook

Tarefas bônus

Além disso, você pode comprar um pacote de tarefas bônus com as melhores versões não demo das tarefas mlcourse.ai. Selecione o nível "Atribuições bônus" no Patreon ou um nível semelhante no Boosty (rus).

Detalhes do acordo

mlcourse.ai ainda está no modo individualizado, mas oferecemos tarefas bônus com soluções por uma contribuição de US$ 17/mês. A ideia é que você pague de 1 a 5 meses enquanto estuda os materiais do curso, mas uma única contribuição ainda é suficiente e abre seu acesso ao pacote de bônus.

Nota: o primeiro pagamento é cobrado no momento da adesão ao Tier Patreon, e o próximo pagamento é cobrado no 1º dia do mês seguinte, portanto é melhor adquirir o pack na 1ª quinzena do mês.

mlcourse.ai nunca deve ser totalmente monetizado (ele foi criado na maravilhosa comunidade aberta ODS.ai e permanecerá aberto e gratuito), mas ajudaria a cobrir alguns custos operacionais, e Yury também se esforçou bastante para montar todos as melhores tarefas em um pacote. Observe que, diferentemente do restante do conteúdo do curso, as tarefas bônus são protegidas por direitos autorais. Informalmente, Yury está bem se você compartilhar o pacote com 2 ou 3 amigos, mas o compartilhamento público do pacote de Tarefas Bônus é proibido.

O pacote de bônus contém 10 tarefas, em algumas delas você é desafiado a vencer uma linha de base em uma competição Kaggle sob orientação completa ("Alice" e "Médio") ou implementar um algoritmo do zero - classificador de descida de gradiente estocástico eficiente e aumento de gradiente .

Competições Kaggle

1. Pegue-me se puder: detecção de intrusos por meio do rastreamento de sessão de página da web. Kaggle em aula
2. Prever a popularidade de um artigo do Medium. Kaggle em aula
3. Previsão do vencedor do DotA 2. Kaggle em aula

Citando mlcourse.ai

Se acontecer de você citar mlcourse.ai em seu trabalho, você pode usar 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}},
}

Comunidade

Você pode ingressar na comunidade Singularis.ai Slack para fazer perguntas sobre os materiais do curso. A comunidade fala principalmente russo, mas perguntas em inglês ainda são bem-vindas.