访问官网
Github
mlcourse.ai是由OpenDataScience (ods.ai)提供的开放机器学习课程，由Yury Kashnitsky (yorko)领导。Yury拥有应用数学博士学位和Kaggle竞赛大师级别，旨在设计一个理论与实践完美平衡的机器学习课程。因此，课程中包含了讲座中的数学公式，以及大量以作业和Kaggle内部竞赛形式呈现的实践内容。目前，课程处于自学模式。在这里，我们将指导您完成自学mlcourse.ai课程。
奖励： 此外，您可以购买奖励作业包，其中包含mlcourse.ai作业的最佳非演示版本。选择"奖励作业"等级。有关详细信息，请参阅主页mlcourse.ai。
镜像（仅英文）：mlcourse.ai（主站），Kaggle数据集（与Kaggle笔记本相同的笔记本）
自学过程
我们将指导您完成mlcourse.ai的10周课程。每周从Pandas到梯度提升，都会提供指导，告诉您应该阅读哪些文章、观看哪些讲座以及完成哪些作业。
文章
以下是在medium.com 🇬🇧和habr.com 🇷🇺上发布的文章列表。同时还提到了中文版笔记本🇨🇳，并给出了Kaggle笔记本（英文）的链接。图标可点击。
-
线性分类和回归 :uk: :ru: :cn:, Kaggle笔记本: 第1部分, 第2部分, 第3部分, 第4部分, 第5部分
-
Python时间序列分析，第一部分 :uk: :ru: :cn:。使用Facebook Prophet预测未来，第二部分 :uk:, :cn: Kaggle笔记本：第一部分, 第二部分
课程讲座
视频讲座已上传至此处的YouTube播放列表。 介绍，视频，幻灯片
- 使用Pandas进行探索性数据分析，视频
- 可视化，EDA主要图表，视频
- 决策树：理论和实践部分
- 逻辑回归：理论基础，实践部分（"Alice"竞赛中的基准）
- 集成学习和随机森林 – 第1部分。分类指标 – 第2部分。商业任务示例，预测客户付款 – 第3部分
- 线性回归和正则化 - 理论，LASSO和岭回归，LTV预测 - 实践
- 无监督学习 - 主成分分析和聚类
- 用于分类和回归的随机梯度下降 - 第1部分，第2部分待定
- 使用Python进行时间序列分析（ARIMA，Prophet） - 视频
- 梯度提升：基本概念 - 第1部分，Xgboost、LightGBM和CatBoost背后的关键思想及实践 - 第2部分
作业
以下是演示作业。此外，在"额外作业"级别中，你可以获取非演示作业的访问权限。
- 使用Pandas进行探索性数据分析，nbviewer，Kaggle笔记本，解决方案
- 分析心血管疾病数据，nbviewer，Kaggle笔记本，解决方案
- 使用玩具任务和UCI成人数据集的决策树，nbviewer，Kaggle笔记本，解决方案
- 讽刺检测，Kaggle笔记本，解决方案。线性回归作为优化问题，nbviewer，Kaggle笔记本
- 信用评分问题中的逻辑回归和随机森林，nbviewer，Kaggle笔记本，解决方案
- 在回归任务中探索OLS、Lasso和随机森林，nbviewer，Kaggle笔记本，解决方案
- 无监督学习，nbviewer，Kaggle笔记本，解决方案
- 实现在线回归器，nbviewer，Kaggle笔记本，解决方案
- 时间序列分析，nbviewer，Kaggle笔记本，解决方案
- 在竞赛中击败基准，Kaggle笔记本
额外作业
此外，您可以购买包含mlcourse.ai最佳非演示版作业的额外作业包。在Patreon上选择"额外作业"等级或在Boosty上选择类似等级（俄语）。
交易详情
mlcourse.ai仍处于自学模式，但我们为您提供额外作业及其解决方案，每月贡献17美元。这个想法是，您在学习课程材料时支付约1-5个月的费用，但单次贡献仍然可以，并可以获得额外作业包的访问权限。
注意：首次付款在加入Patreon等级时收取，下一次付款在下个月的第一天收取，因此最好在月初的前半个月购买该包。 mlcourse.ai 永远不会完全商业化（它是在出色的开放式 ODS.ai 社区中创建的，并将保持开放和免费），但它有助于支付一些运营成本，Yury 也花了相当多的精力将所有最好的作业整合成一个包。请注意，与课程其他内容不同，额外作业是受版权保护的。非正式地说，Yury 不介意你与 2-3 个朋友分享这个包，但禁止公开分享额外作业包。
额外包含 10 个作业，其中一些挑战你在详细指导下在 Kaggle 比赛中击败基准（"Alice" 和 "Medium"）或从头实现算法 -- 高效的随机梯度下降分类器和梯度提升。
Kaggle 比赛
- 看你能否抓住我：通过网页会话跟踪检测入侵者。Kaggle 课内比赛
- 预测 Medium 文章的热度。Kaggle 课内比赛
- DotA 2 胜者预测。Kaggle 课内比赛
引用 mlcourse.ai
如果你在你的工作中引用了 mlcourse.ai，可以使用这个 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
你可以加入 Singularis.ai Slack 社区，就课程材料提问。这个社区主要使用俄语交流，但也欢迎英语提问。
