PhenixFlame/ai

an_fenix Mlcource.ai curriculum

Description

This page created as page with learning plan and as page consist ordered list of source links

mlcourse.ai is an open Machine Learning course by OpenDataScience. The course is designed to perfectly balance theory and practice. You can take part in several Kaggle Inclass competitions held during the course. From spring 2017 to fall 2019, 6 sessions of mlcourse.ai took place - 26k participants applied, 10k converted to passing the first assignment, about 1500 participants finished the course. Currently, the course is in self-paced mode. Check out a thorough Roadmap guiding you through the self-paced mlcourse.ai.

Main page

Lesson 1. Exploratory Data Analysis

• Video lectures:

  • rus
  • eng

• Article, Exploratory Data Analysis with Pandas:

  • Topic 1. Exploratory Data Analysis with Pandas (medium):uk:
  • Тема 1. Первичный анализ данных с Pandas (habr):ru:
  • Kaggle Notebook

• Homework:

  • A1 (demo). Pandas and UCI adult dataset :eng:
  • Домашнее задание № 1 (демо). Анализ данных по доходу населения UCI Adult 🇷🇺

Lesson 2. Visual Data Analysis

• Video lectures:

  • rus
  • eng

• Article "Visual Data Analysis with Python"

  • Topic 2. Visual Data Analysis with Python 🇬🇧
  • Overview of Seaborn, Matplotlib and Plotly libraries
  • Визуальный анализ данных c Python 🇷🇺
  • 🇨🇳,
  • Kaggle Notebooks: part1, part2

• Homework:

  • A2 (demo). Analyzing cardiovascular data :eng:
  • Домашнее задание № 2 (демо). Визуальный анализ данных о публикациях на Хабрахабре 🇷🇺

• Useful resources:

  • Немного про кино или как делать интерактивные визуализации в python (Plotly guideline)

Lesson 3. Classification, Decision Trees and k Nearest Neighbors

• Video lectures:

  • Лекция 3. Классификация, деревья решений. Открытый курс ODS по машинному обучению 🇷🇺
  • Lecture 3. Decision trees. Part 1. Theory, an intuitive explanation 🇬🇧
  • Lecture 3. Decision trees. Part 2. Practice 🇬🇧

• Articles:

  • Classification, Decision Trees and k Nearest Neighbors 🇬🇧
  • Тема 3. Классификация, деревья решений и метод ближайших соседей 🇷🇺
  • 🇨🇳
  • Kaggle Notebook

• Homework:

  • Decision trees with a toy task and the UCI Adult dataset 🇬🇧

  • Домашнее задание № 3 (демо). Деревья решений в игрушечной задаче и на данных Adult репозитория UCI 🇷🇺

  • Useful resources:

    • MTH594 Advanced data mining: theory and applications
    • Machine learning algorithms
    • Курс Е.Соколова "Машинное обучение" на ФКН ВШЭ
    • "Энтропия и деревья принятия решений"
    • Машинное обучение и анализ данных. Лекция для Малого ШАДа Яндекса

Lesson 4

• Video lectures:

  • rus

• Articles.

  • Linear Classification and Regression 🇬🇧
  • Линейные модели классификации и регрессии 🇷🇺
  • 🇨🇳
  • Kaggle Notebooks: part1, part2, part3, part4, part5

• Homework:

  • Assignment 4. Sarcasm detection with logistic regression 🇬🇧
  • Assignment #6 (demo). Exploring OLS, Lasso and Random Forest in a regression task
  • Домашнее задание № 4 (демо). Прогнозирование популярности статей на TechMedia (Хабр) с помощью линейных моделей 🇷🇺
  • Прогноз популярности статьи на Хабре. Kaggle Competition

• Useful resources: + MTH594 Advanced data mining: theory and applications + Machine learning algorithms + Курс Е.Соколова "Машинное обучение" на ФКН ВШЭ

Lesson 5

• Video:

  • rus

• Article:

  • Bagging and Random Forest 🇬🇧
  • Композиции: бэггинг, случайный лес:ru:
  • 🇨🇳
  • Kaggle Notebooks: part1, part2, part3

• Homework:

  • A2 (demo). Analyzing cardiovascular data :eng:
  • Домашнее задание № 5 (Демо). Логистическая регрессия и случайный лес в задаче кредитного скоринга :ru:

• Useful links:

  • Interpreting random forests
  • Complete Guide to Parameter Tuning in XGBoost with codes in Python
  • Gradient boosting machines, a tutorial
  • История развития ансамблевых методов классификации в машинном обучении
  • А.Дьяконов Случайный лес (Random Forest)

Lesson 6

• Articles:
  • Feature Engineering and Feature Selection 🇬🇧
  • Построение и отбор признаков:ru: 🇨🇳, Kaggle Notebook
• Homework:
  • A2 (demo). Analyzing cardiovascular data :eng:
  • Домашнее задание № 2 (демо). Визуальный анализ данных о публикациях на Хабрахабре 🇷🇺
• Useful links:
  • Feature Engineering Book
  • Feature Engineering, о чём молчат online-курсы

Lesson 7

• Articles:
  • Unsupervised Learning: Principal Component Analysis and Clustering 🇬🇧
  • Обучение без учителя: PCA, кластеризация:ru:
  • 🇨🇳
  • Kaggle Notebook
• Homework:
  • A2 (demo). Analyzing cardiovascular data :eng:
  • Домашнее задание № 7 (демо) Обучение без учителя: метод главных компонент и кластеризация :ru:
• Useful resources:
  • Как подобрать платье с помощью метода главных компонент
  • Как работает метод главных компонент (PCA) на простом примере
  • Интересные алгоритмы кластеризации, часть первая: Affinity propagation
  • Интересные алгоритмы кластеризации, часть вторая: DBSCAN
  • конспект "Обучение без учителя" в курсе Евгения Соколова
  • Q&A: Making sense of principal component analysis, eigenvectors & eigenvalues

Lesson 8

8. Vowpal Wabbit: Learning with Gigabytes of Data 🇬🇧

• Обучение на гигабайтах c Vowpal Wabbit:ru: 🇨🇳, Kaggle Notebook

  • Homework:
  • A2 (demo). Analyzing cardiovascular data :eng:
  • Домашнее задание № 2 (демо). Визуальный анализ данных о публикациях на Хабрахабре 🇷🇺

Lesson 9

9. Time Series Analysis with Python, part 1 🇬🇧

• Анализ временных рядов с помощью Python 🇷🇺 🇨🇳. Predicting future with Facebook Prophet, part 2 🇬🇧, 🇨🇳 Kaggle Notebooks: part1, part2

  • Homework:
  • A2 (demo). Analyzing cardiovascular data :eng:
  • Домашнее задание № 2 (демо). Визуальный анализ данных о публикациях на Хабрахабре 🇷🇺

Lesson 10

10. Gradient Boosting 🇬🇧 - Градиентный бустинг:ru:, 🇨🇳, Kaggle Notebook

• Homework:

• A2 (demo). Analyzing cardiovascular data :eng:
• Домашнее задание № 2 (демо). Визуальный анализ данных о публикациях на Хабрахабре 🇷🇺