Открытый курс OpenDataScience по машинному обучению
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.
Статьи на Хабрахабре
- Первичный анализ данных с Pandas
- Визуальный анализ данных с Python
- Классификация, деревья решений и метод ближайших соседей
- Линейные модели классификации и регрессии
- Композиции: бэггинг, случайный лес
- Построение и отбор признаков
- Обучение без учителя: PCA и кластеризация
- Обучаемся на гигабайтах с Vowpal Wabbit
- Анализ временных рядов с помощью Python
- Градиентный бустинг. Часть 1
- Градиентный бустинг. Часть 2. Скоро...
Видеолекции
- Первичный анализ данных с Pandas
- Визуальный анализ данных с Seaborn и Matplotlib
- Классификация. Деревья решений
- Логистическая регрессия + обсуждения соревнования Kaggle
Прочее
Домашние задания
- Анализ данных по сердечно-сосудистым заболеваниям (ML Boot Camp V), ipynb
- Визуальный анализ данных по сердечно-сосудистым заболеваниям (ML Boot Camp V). ipynb
- Деревья решений для классификации и регрессии, ipynb. Реализация дерева решений (опционально, не в зачет рейтинга), ipynb
- Логистическая регрессия в задаче тегирования вопросов StackOverflow, ipynb
Соревнования
- Идентификация пользователя по последовательности посещенных сайтов ("Элис"). Kaggle Inclass
- Прогноз популярности статьи на medium.com. Скоро...
Проекты
- Идентификация пользователей по последовательности посещенных сайтов ("Элис"). Описание. Тетрадки.
- Индивидуальные проекты. Описаны на Wiki.
Рейтинг
На рейтинг участников влияют домашки, соревнования, проекты, тьюториалы и мини-конкурсы по визуализации данных.
Wiki-страницы этого репозитория:
- 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.
- 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.