mlcourse.ai是一门开放的机器学习课程，由OpenDataScience (ods.ai)，由Yury Kashnitsky (yorko)尤里拥有应用数学博士学位和卡格尔竞赛大师学位，他的目标是设计一门理论与实践完美平衡的ML课程。因此，你可以在课堂上复习数学公式，并与Kaggle Inclass竞赛一起练习。目前，该课程正处于自定步模式检查一下详细的Roadmap引导您完成自定进度的课程。ai
奖金：此外，您还可以购买带有最佳非演示版本的奖励作业包mlcourse.ai任务。选择“Bonus Assignments” tier请参阅主页上的交易详情mlcourse.ai
镜子(🇬🇧-仅限)：mlcourse.ai(主站点)、Kaggle Dataset(与Kaggle笔记本相同的笔记本)
自定
这个Roadmap将指导您度过11周的mlCourse.ai课程。每周，从熊猫到梯度助推，都会给出阅读什么文章、看什么讲座、完成什么作业的指示。
内容
这是medium.com上发表的文章列表🇬🇧，habr.com🇷🇺还提到了中文笔记本。🇨🇳并给出了指向Kaggle笔记本(英文)的链接。图标是可点击的
- 用PANDA软件进行探索性数据分析🇬🇧🇷🇺🇨🇳，Kaggle Notebook
- 用Python进行可视化数据分析🇬🇧🇷🇺🇨🇳，Kaggle笔记本电脑：part1，part2
- 分类、决策树和k近邻🇬🇧🇷🇺🇨🇳，Kaggle Notebook
- 线性分类与回归🇬🇧🇷🇺🇨🇳，Kaggle笔记本电脑：part1，part2，part3，part4，part5
- 套袋与随机林🇬🇧🇷🇺🇨🇳，Kaggle笔记本电脑：part1，part2，part3
- 特征工程与特征选择🇬🇧🇷🇺🇨🇳，Kaggle Notebook
- 无监督学习：主成分分析与聚类🇬🇧🇷🇺🇨🇳，Kaggle Notebook
- Vowpal Wabbit：用千兆字节的数据学习🇬🇧🇷🇺🇨🇳，Kaggle Notebook
- 用Python进行时间序列分析，第一部分🇬🇧🇷🇺🇨🇳使用Facebook Prophet预测未来，第2部分🇬🇧，🇨🇳卡格尔笔记本：part1，part2
- 梯度增压🇬🇧🇷🇺，🇨🇳，Kaggle Notebook
讲座
视频上传到thisYouTube播放列表。引言，video，slides
- 用熊猫进行探索性数据分析，video
- 可视化，EDA的主要情节，video
- 诊断树：theory和practical part
- Logistic回归：theoretical foundations，practical part(《爱丽丝》比赛中的基线)
- 合奏和随机森林-part 1分类指标-part 2预测客户付款的业务任务示例-part 3
- 线性回归和正则化-theory，Lasso&Ridge，LTV预测-practice
- 无监督学习-Principal Component Analysis和Clustering
- 用于分类和回归的随机梯度下降-part 1，第2部分TBA
- 用Python(ARIMA，PERPHET)进行时间序列分析-video
- 梯度增压：基本思路-part 1、XgBoost、LightGBM和CatBoost+Practice背后的关键理念-part 2
作业
以下是演示作业。此外，在“Bonus Assignments” tier您可以访问非演示作业
- 用熊猫进行探索性数据分析，nbviewer，Kaggle Notebook，solution
- 分析心血管疾病数据，nbviewer，Kaggle Notebook，solution
- 带有玩具任务和UCI成人数据集的决策树，nbviewer，Kaggle Notebook，solution
- 讽刺检测，Kaggle Notebook，solution线性回归作为一个最优化问题，nbviewer，Kaggle Notebook
- Logistic回归和随机森林在信用评分问题中的应用nbviewer，Kaggle Notebook，solution
- 在回归任务中探索OLS、LASSO和随机森林nbviewer，Kaggle Notebook，solution
- 无监督学习，nbviewer，Kaggle Notebook，solution
- 实现在线回归，nbviewer，Kaggle Notebook，solution
- 时间序列分析，nbviewer，Kaggle Notebook，solution
- 在比赛中超越底线，Kaggle Notebook
卡格尔竞赛
- 如果可以，请抓住我：通过网页会话跟踪检测入侵者。Kaggle Inclass
- Dota 2获胜者预测。Kaggle Inclass
引用mlCourse.ai
如果你碰巧引用了mlcourse.ai在您的工作中，您可以使用此BibTeX记录：
@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}},
}
社区
讨论在#mlCourse_ai世界上最重要的一条航道OpenDataScience (ods.ai)松懈团队
课程是免费的，但你可以通过承诺以下内容来支持组织者Patreon(每月支持)或一次性付款Ko-fi
