ch1ffa / mlcourse_open Goto Github PK

❗ Новая сессия стартовала 6 сентября 2017 г. Тут подробное описание активностей в течение курса. А вот и календарь дедлайнов ❗

Статья про курс на Хабре. Youtube-канал c онлайн-трансляциями и записями лекций. Курс обсуждается в Slack OpenDataScience в канале mlcourse_open. Заявка на вступление.

В статьях курса даются теоретические основы машинного обучения. Навыки практического анализа данных и построения прогнозных моделей можно получить через выполнение домашних заданий и индивидуального проекта, а также за счет участия в 2 соревнованиях по анализу данных. Требуются начальные навыки программирования на Python и знание математики (математический анализ, линейная алгебра, теория вероятностей, математическая статистика) на уровне 2 курса технического ВУЗа.

1. Первичный анализ данных с Pandas
2. Визуальный анализ данных с Python
3. Классификация, деревья решений и метод ближайших соседей
4. Линейные модели классификации и регрессии
5. Композиции: бэггинг, случайный лес
6. Построение и отбор признаков
7. Обучение без учителя: PCA и кластеризация
8. Обучаемся на гигабайтах с Vowpal Wabbit
9. Анализ временных рядов с помощью Python
10. Градиентный бустинг. Часть 1
11. Градиентный бустинг. Часть 2. Скоро...

1. Первичный анализ данных с Pandas
2. Визуальный анализ данных с Seaborn и Matplotlib
3. Классификация. Деревья решений
4. Логистическая регрессия + обсуждение соревнования Kaggle
5. Случайный лес
6. Регрессия, регуляризация
7. Обучение без учителя

8. Александр Дьяконов
9. Константин Воронцов

1. Анализ данных по сердечно-сосудистым заболеваниям (ML Boot Camp V). ipynb
2. Визуальный анализ данных по сердечно-сосудистым заболеваниям (ML Boot Camp V). ipynb
3. Деревья решений для классификации и регрессии, ipynb. Реализация дерева решений (опционально, не в зачет рейтинга). ipynb
4. Логистическая регрессия в задаче тегирования вопросов StackOverflow. ipynb
5. Случайный лес и логистическая регрессия в задачах кредитного скоринга и классификации отзывов к фильмам. ipynb
6. Исследование признаков на примере поездок такси в Чикаго. Дедлайн: 23.59 UTC +3, 17.10.17г. ipynb

1. Идентификация пользователя по последовательности посещенных сайтов ("Элис"). Kaggle Inclass
2. Прогноз популярности статьи на портале Medium.com. Arktur.io. Первые шаги: ipynb

1. Идентификация пользователей по последовательности посещенных сайтов ("Элис"). Описание. Тетрадки.
2. Индивидуальные проекты. Описаны на Wiki.

На рейтинг участников влияют домашки, соревнования, проекты, тьюториалы и мини-конкурсы по визуализации данных. Подробно все описано на Wiki.

• Все активности по втором запуске курса. Домашки, соревнования, проекты, тьюториалы и мини-конкурсы и все, за что еще можно получить баллы и, главное, опыт.
• Prerequisites: Python, математика, DevOps. О том, как лучше подготовиться к прохождению курса, если навыков программирования или знаний математики не хватает.
• Домашние задания 1-ой сессии курса. С решениями. На текущий рейтинг не влияют.
• План совместного прохождения курса cs231n c 15.11.2017
• Авторы статей и лекторы. Вкратце представляем всех, кто поработал над курсом.
• ПО для прохождения курса и Docker – как настроить все ПО для прохождения курса. В частности, описывается, как запустить у себя Docker-контейнер, в котором уже все установлено.
• Топ-100 1-ой сессии курса. 1 сессия курса прошла с 28 февраля по 10 июня 2017 года – с домашними заданими, соревнованиями, тьюториалами, конкурсами по визуализации и общим рейтингом. Более 500 участников, было весело 😀. Увековечим имена тех, кто попал в топ-100 финального рейтинга.
• Тьюториалы. Одним из заданий в курсе было написать тьюториал на одну из тем вокруг машинного обучения и анализа данных.