2k20/21
Learning To See, do przerobienia: filmy 1-4
- Crash course pythona (tylko jeśli ktoś nie umie): https://www.stavros.io/tutorials/python/
- Jak ktoś czuje niedosyt:
- ML:
- Learning2See: od 5 odcinka do końca (bez pisania kodu)
- https://www.kaggle.com/learn/intro-to-machine-learning
- Intermediate machine learning
- https://www.kaggle.com/learn/intermediate-machine-learning uwaga: kursy kaggla są nastawione bardziej na praktykę niż na zrozumienie - proszę, jeśli coś nie jest jasne, abyście sprawdzali w innych źródłach o co chodzi, a w ostateczności zawsze możecie napisać na kanale #deleted-channel / #wspólne-rozkminy
- Python numpy (opcjonalne)
- https://www.machinelearningplus.com/python/101-numpy-exercises-python/ ^ tych ćwiczeń jest sporo - jeśli ktoś czuje niedosyt z numpy, można przerobić kilka(naście) przykładów stąd (z naciskiem na kilka/kilkanaście - chyba, że ktoś chce więcej to zachęcamy).
Do następnego spotkania powtarzamy i podsumowujemy całą wiedzę z I semestru poprzez robienie konkursu:
- https://www.kaggle.com/c/home-data-for-ml-course Najlepiej poczytać cudze notebooki, które są dostępne pod
- https://www.kaggle.com/c/home-data-for-ml-course/code?competitionId=10211&sortBy=scoreAscending, potworzyć własne notebooki, poeksperymentować, popatrzeć co poprawia, co pogarsza, ogólnie pobawić się na wiele sposobów z tym zadaniem.
Tutaj też jest kilka ciekawych notebooków (wzięte z tej listy wyżej): Dwa zaawansowane notebooki:
- https://www.kaggle.com/angqx95/data-science-workflow-top-2-with-tuning
- https://www.kaggle.com/datafan07/top-1-approach-eda-new-models-and-stacking
Łatwiejszy: