深度学习最前沿技术 Kaggle案例实战课程 深度学习之Kaggle实战指南

深度学习最前沿技术 Kaggle案例实战课程 深度学习之Kaggle实战指南
├第01课.机器学习解决问题综述课.mp4

├第03课_kaggle案例实战班.mp4

├第04课_kaggle案例实战班.mp4

├第05课_kaggle案例实战班.mp4

├第06课_kaggle案例实战班.mp4

├第07课_kaggle案例实战班.mp4

├第08课_kaggle案例实战班.mp4

├第二节.mp4

├<代码>

│ ├

│ │ ├blending.py

│ │ ├cs228-python-tutorial.ipynb

│ │ ├Feature_engineering_and_model_tuning.zip

│ │ ├

│ │ │ ├

│ │ │ │ ├Feature Engineering.ipynb

│ │ │ │ ├Test.csv

│ │ │ │ ├test_modified.csv

│ │ │ │ ├Train.csv

│ │ │ │ ├train_modified.csv

│ │ │ │ ├XGBoost models tuning.ipynb

│ │ │ │ ├<.ipynb_checkpoints>

│ │ │ │ │ ├Feature Engineering-checkpoint.ipynb

│ │ │ │ │ └XGBoost models tuning-checkpoint.ipynb

│ │ │ ├

│ │ │ │ ├test.csv

│ │ │ │ ├Titanic.ipynb

│ │ │ │ ├train.csv

│ │ │ │ ├<.ipynb_checkpoints>

│ │ │ │ │ └Titanic-checkpoint.ipynb

│ │ │ ├

│ │ │ │ ├Kaggle_Bicycle_Example.ipynb

│ │ │ │ ├kaggle_bike_competition_train.csv

│ │ │ │ ├<.ipynb_checkpoints>

│ │ │ │ │ └Kaggle_Bicycle_Example-checkpoint.ipynb

│ │ │ │ ├

│ │ │ │ │ ├Kaggle_Bicycle_Example_34_0.png

│ │ │ │ │ ├Kaggle_Bicycle_Example_42_0.png

│ │ │ │ │ ├Kaggle_Bicycle_Example_43_0.png

│ │ │ │ │ ├Kaggle_Bicycle_Example_44_0.png

│ │ │ │ │ ├Kaggle_Bicycle_Example_45_0.png

│ │ │ │ │ ├Kaggle_Bicycle_Example_46_1.png

│ │ │ │ │ ├Kaggle_Bicycle_Example_47_1.png

│ │ │ │ │ └Kaggle_Bicycle_Example_49_1.png

│ ├

│ │ ├

│ │ │ ├data_description.txt

│ │ │ ├<_ipynb_checkpoints>

│ │ │ ├

│ │ │ │ ├sample_submission.csv

│ │ │ │ ├test.csv

│ │ │ │ └train.csv

│ │ │ ├

│ │ │ │ ├house_price.html

│ │ │ │ ├house_price.ipynb

│ │ │ │ ├house_price_advanced.html

│ │ │ │ ├house_price_advanced.ipynb

│ │ │ │ ├<.ipynb_checkpoints>

│ │ │ │ │ ├house_price_advanced-checkpoint.ipynb

│ │ │ │ │ └house_price-checkpoint.ipynb

│ │ ├

│ │ │ ├<_ipynb_checkpoints>

│ │ │ ├

│ │ │ │ ├Combined_News_DJIA.csv

│ │ │ │ ├DJIA_table.csv

│ │ │ │ └RedditNews.csv

│ │ │ ├

│ │ │ │ ├news_stock.html

│ │ │ │ ├news_stock.ipynb

│ │ │ │ ├<.ipynb_checkpoints>

│ │ │ │ │ └news_stock-checkpoint.ipynb

│ ├

│ │ ├avazu-CTR-Prediction-LR.zip

│ │ ├feature.search

│ │ ├feature.search_ads

│ │ ├feature_map.search_ads

│ │ ├generate_train_feature_mapper.py

│ │ ├generate_train_feature_reducer.py

│ │ ├kaggle-avazu-rank1.zip

│ │ ├kaggle-avazu-rank2.zip

│ │ ├search_ads_feature.sample

│ │ ├search_click_data.sample

│ │ ├Spark-Criteo-CTR-Prediction.ipynb

│ │ └xgb_ads.conf

│ ├

│ │ ├

│ │ ├

│ │ │ ├news_stock.html

│ │ │ ├news_stock_advanced.html

│ │ │ ├search relevance.ipynb

│ │ │ ├search relevance_advanced.ipynb

│ │ │ ├search+relevance.html

│ │ │ ├search+relevance_advanced.html

│ │ │ ├<.ipynb_checkpoints>

│ │ │ │ ├search relevance_advanced-checkpoint.ipynb

│ │ │ │ └search relevance-checkpoint.ipynb

│ ├

│ │ ├energy_forecasting_notebooks.zip

│ │ └subway_prediction_notebook.zip

│ ├

│ │ ├cat_dog.html

│ │ ├char_rnn.html

│ │ ├image_search.html

│ │ ├Kaggle第06课：走起~深度学习.pdf

│ │ ├Kaggle第06课：走起~深度学习.pptx

│ │ ├news_stock_advanced.html

│ │ ├word_rnn.html

│ │ ├

│ │ │ ├chi_square.png

│ │ │ └RGBHistogram.jpg

│ │ ├<猫狗的数据>

│ │ │ ├cats-vs-dogs.txt

│ │ │ ├sample_submission.csv

│ │ │ ├test.zip

│ │ │ └train.zip

│ ├

│ │ ├data.zip

│ │ ├Kaggle event recommendation competition.ipynb

│ │ ├kaggle-event-recommendation-rank1.zip

│ │ └Rossmann_Store_Sales_competition.ipynb

│ ├

│ │ └PPD_RiskControl_Competition.zip

├<课件>

│ ├Kaggle第05课：能源预测与分配问题.pdf

│ ├Kaggle第06课：走起~深度学习.pdf

│ ├Kaggle第06课：走起~深度学习.pptx

│ ├

│ │ ├Kaggle第01课：机器学习算法、工具与流程概述.pdf

│ │ └分享的链接.txt

│ ├

│ │ └Kaggle第02课：经济金融相关问题.pdf

│ ├

│ │ ├kaggle-2014-criteo.pdf

│ │ ├kaggle-avazu.pdf

│ │ ├predicting-clicks-facebook.pdf

│ │ ├阿里妈妈：大数据下的广告排序技术及实践.pdf

│ │ ├百度凤巢：DNN在凤巢CTR预估中的应用.pdf

│ │ ├从FM到FFM.pdf

│ │ ├第3课–排序与CTR预估.pdf

│ │ ├京东电商广告和推荐系统的机器学习系统实践.pdf

│ │ └腾讯广点通：效果广告中的机器学习技术.pdf

│ ├

│ │ └Kaggle第四课.pdf

│ ├

│ │ └第5课：能源预测与分配问题.pdf

│ ├

│ │ └第7课：推荐与销量预测相关问题.pdf

│ ├

│ │ ├第8课：金融风控问题.pdf

│ │ └金融风控大赛解决方案.pdf