- ⚡修正部分已知文字错误和代码错误
- 🤗添加在线文档
- 2023.09.12添加章节：组合和堆叠方法、可重复代码和模型方法
Abhishek Thakur，很多 kaggler 对他都非常熟悉，2017 年，他在 Linkedin 发表了一篇名为Approaching (Almost) Any Machine Learning Problem的文章，介绍他建立的一个自动的机器学习框架，几乎可以解决任何机器学习问题，这篇文章曾火遍 Kaggle。
Abhishek 在 Kaggle 上的成就：
- Competitions Grandmaster（17 枚金牌，世界排名第 3）
- Kernels Expert （Kagglers 排名前 1％）
- Discussion Grandmaster（65 枚金牌，世界排名第 2）
目前，Abhishek 在挪威 boost 公司担任首席数据科学家的职位，这是一家专门从事会话人工智能的软件公司。
本文对Approaching (Almost) Any Machine Learning Problem进行了中文翻译，由于本人水平有限，且未使用机器翻译，可能有部分言语不通顺或本土化程度不足，也请大家在阅读过程中多提供宝贵意见。另附上书籍原项目地址，转载请一定标明出处！
本项目支持在线阅读，方便您随时随地进行查阅。
因为有几章内容太过基础，所以未进行翻译，详细情况请参照书籍目录：
- 准备环境（未翻译）
- 无监督和有监督学习（未翻译）
- 交叉检验（已翻译）
- 评估指标（已翻译） -
- 组织机器学习（已翻译）
- 处理分类变量（已翻译）
- 特征工程（已翻译）
- 特征选择（已翻译）
- 超参数优化（已翻译）
- 图像分类和分割方法（未翻译）
- 文本分类或回归方法（未翻译）
- 组合和堆叠方法（已翻译）
- 可重复代码和模型方法（已翻译）
我将会把完整的翻译版 Markdown 文件上传到 GitHub，以供大家免费下载和阅读。为了最佳的阅读体验，推荐使用 PDF 格式或是在线阅读进行查看
若您在阅读过程中发现任何错误或不准确之处，非常欢迎通过提交 Issue 或 Pull Request 来协助我进行修正。
随着时间推移，我可能会继续翻译尚未完成的章节。如果您觉得这个项目对您有帮助，请不吝给予 Star 或者进行关注。