mlcourse.ai

mlcourse.ai – курс открытого машинного обучения

mlcourse.ai — открытый курс по машинному обучению от OpenDataScience (ods.ai), который ведет Юрий Кашницкий (yorko). Имея докторскую степень. Имея степень по прикладной математике и степень магистра Kaggle Competitions, Юрий стремился разработать курс ML с идеальным балансом между теорией и практикой. Таким образом, курс встречает вас математическими формулами на лекциях и большим количеством практики в виде заданий и соревнований Kaggle Inclass. В настоящее время курс проходит в режиме самостоятельного обучения . Здесь мы проведем вас через сайт mlcourse.ai для самостоятельного изучения.

Бонус: Кроме того, вы можете приобрести пакет бонусных заданий с лучшими недемо-версиями заданий mlcourse.ai. Выберите уровень «Бонусные задания». Подробности сделки смотрите на главной странице mlcourse.ai.

Зеркала (:uk:-only): mlcourse.ai (основной сайт), Kaggle Dataset (те же блокноты, что и Kaggle Notebooks)

Самостоятельное прохождение

Вы проведете 10 недель обучения на mlcourse.ai. На каждую неделю, от Панд до Gradient Boosting, даны инструкции, какие статьи читать, лекции смотреть, какие задания выполнять.

Статьи

Это список опубликованных статей на medium.com ??, habr.com ??. Также упоминаются тетради на китайском языке?? и приведены ссылки на блокноты Kaggle (на английском языке). Иконки кликабельны.

1. Исследовательский анализ данных с помощью Pandas ?? ?? ??, Блокнот Kaggle
2. Визуальный анализ данных с помощью Python ?? ?? ??, Блокноты Kaggle: часть1, часть2
3. Классификация, деревья решений и k ближайших соседей ?? ?? ??, Блокнот Kaggle
4. Линейная классификация и регрессия ?? ?? ??, Блокноты Kaggle: часть1, часть2, часть3, часть4, часть5
5. Бэгинг и случайный лес ?? ?? ??, Блокноты Kaggle: часть1, часть2, часть3
6. Разработка функций и выбор функций ?? ?? ??, Блокнот Kaggle
7. Обучение без учителя: анализ главных компонентов и кластеризация ?? ?? ??, Блокнот Kaggle
8. Vowpal Wabbit: обучение с гигабайтами данных?? ?? ??, Блокнот Kaggle
9. Анализ временных рядов с помощью Python, часть 1 ?? ?? ??. Предсказание будущего с помощью Facebook Prophet, часть 2 ???, ?? Блокноты Kaggle: часть1, часть2
10. Повышение градиента ?? ??, ??, Блокнот Kaggle

Лекции

Видеолекции загружены в этот плейлист на YouTube. Введение, видео, слайды

1. Исследовательский анализ данных с помощью Pandas, видео
2. Визуализация, основные сюжеты для ЭДА, видео
3. Деревья решений: теория и практическая часть
4. Логистическая регрессия: теоретические основы, практическая часть (базы в конкурсе «Алиса»)
5. Ансамбли и случайный лес – часть 1. Метрики классификации – часть 2. Пример бизнес-задачи, прогнозирование платежа клиента – часть 3
6. Линейная регрессия и регуляризация – теория, LASSO & Ridge, прогнозирование LTV – практика
7. Обучение без учителя — анализ главных компонентов и кластеризация
8. Стохастический градиентный спуск для классификации и регрессии - часть 1, часть 2 будет объявлена ​​позднее
9. Анализ временных рядов с помощью Python (ARIMA, Prophet) — видео
10. Повышение градиента: основные идеи — часть 1, ключевые идеи Xgboost, LightGBM и CatBoost + практика — часть 2

Задания

Ниже приведены демонстрационные задания. Кроме того, в рамках уровня «Бонусные задания» вы можете получить доступ к недемо-заданиям.

1. Исследовательский анализ данных с помощью Pandas, nbviewer, Kaggle Notebook, решения
2. Анализ данных о сердечно-сосудистых заболеваниях, nbviewer, Kaggle Notebook, решение
3. Деревья решений с игрушечной задачей и набором данных UCI для взрослых, nbviewer, Kaggle Notebook, решение
4. Обнаружение сарказма, Kaggle Notebook, решение. Линейная регрессия как задача оптимизации, nbviewer, Kaggle Notebook
5. Логистическая регрессия и случайный лес в задаче кредитного скоринга, nbviewer, Kaggle Notebook, решение
6. Исследование OLS, Lasso и Random Forest в задаче регрессии, nbviewer, Kaggle Notebook, решение
7. Обучение без учителя, nbviewer, Kaggle Notebook, решение
8. Внедрение онлайн-регрессора, nbviewer, Kaggle Notebook, решения
9. Анализ временных рядов, nbviewer, Kaggle Notebook, решение
10. Превышение базового уровня в соревновании, Kaggle Notebook

Бонусные задания

Кроме того, вы можете приобрести пакет бонусных заданий с лучшими недемо-версиями заданий mlcourse.ai. Выберите уровень «Бонусные задания» на Patreon или аналогичный уровень на Boosty (rus).

Детали сделки

mlcourse.ai все еще находится в режиме самостоятельного обучения, но мы предлагаем вам бонусные задания с решениями за взнос в размере 17 долларов США в месяц. Идея состоит в том, что вы платите примерно за 1-5 месяцев при изучении материалов курса, но разовый взнос все равно подойдет и открывает вам доступ к бонусному пакету.

Примечание: первый платеж взимается в момент присоединения к Tier Patreon, а следующий платеж взимается 1-го числа следующего месяца, поэтому приобретать пакет лучше в 1-й половине месяца.

mlcourse.ai никогда не будет полностью монетизирован (он создан в замечательном открытом сообществе ODS.ai и останется открытым и бесплатным), но он поможет покрыть некоторые эксплуатационные расходы, и Юрий также приложил немало усилий, чтобы собрать все лучшие задания в одном пакете. Обратите внимание, что в отличие от остального содержания курса, бонусные задания защищены авторским правом. Неофициально, Юрий не против, если вы поделитесь пакетом с 2-3 друзьями, но публичный обмен пакетом бонусных заданий запрещен.

Бонусный пакет содержит 10 заданий, в некоторых из них вам предстоит превзойти базовый уровень в соревновании Kaggle под тщательным руководством («Алиса» и «Средний») или реализовать алгоритм с нуля — эффективный классификатор стохастического градиентного спуска и повышение градиента. .

Каггл соревнования

1. Поймай меня, если сможешь: обнаружение злоумышленников посредством отслеживания сеансов веб-страниц. Каггл Инкласс
2. Прогнозирование популярности статьи на Medium. Каггл Инкласс
3. Прогноз победителя в Дота 2. Каггл Инкласс

Ссылаясь на mlcourse.ai

Если вы случайно ссылаетесь на mlcourse.ai в своей работе, вы можете использовать эту запись 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}},
}

Сообщество

Вы можете присоединиться к сообществу Singularis.ai Slack, чтобы задавать вопросы по материалам курса. Сообщество в основном русскоязычное, но вопросы на английском по-прежнему приветствуются.