本套课程来自深度之眼全球AI大赛年度会员视频，Kaggle比赛22套辅导课程

Kaggle是一个数据科学和机器学习社区，它提供了许多有趣的比赛和挑战；练习机器学习领域的技能需要不断地实践和探索，如果你想参加Kaggle比赛又不知道需要学什么的话，可以学习本套教程，适合零基础新手学习

本套课程文件总计30G

参加Kaggle比赛建议：

• 1.准备好工作环境：

在开始之前，确保您已经安装并设置好了需要的工具和库，例如Python、JupyterNotebook、Pandas等。您还可以考虑使用GPU来加速训练过程

• 2.研究数据集和问题：

阅读比赛说明，了解数据集中包含的信息以及要解决的问题。这将有助于您确定采取什么方法来解决问题，并为您构建模型提供指导

• 3.探索并可视化数据：

在构建模型之前，您需要对数据进行探索和可视化。这将帮助您了解数据的分布、特征之间的关系以及可能存在的异常值或缺失值

• 4.选择合适的算法和技术：

根据您的问题和数据集，选择合适的算法和技术。您可以尝试各种不同的机器学习算法，例如线性回归、决策树、随机森林等

• 5.优化您的模型：

一旦您开始构建模型，就可以尝试各种优化方法，例如特征选择、超参数调整等。你可以试着使用集成技术(如bagging,boosting)来将不同的模型组合起来以提高准确率

• 6.提交您的结果：

提交您的模型预测结果，并查看排行榜和其他参赛者的方案。这有助于您了解自己的表现以及其他人采用的方法

课程目录

• 01-【kaggle新赛】酶稳定性预测大赛
• 02-打造舒适的AI开发环境–软件篇23
• 03-打造舒适的AI开发环境–软件篇1
• 04-打造舒适的AI开发环境–硬件篇
• 05-【01课】赛题介绍+Kaggle平台学习+开发环境搭建+比赛数据探索性分析
• 06-【02课】基于3DCNN的baseline代码讲解
• 07-【03课】基于transformer的baseline代码讲解
• 08-【04课】基于XGBoost的baseline代码讲解
• 02-【kaggle入门】“深享杯”kaggle入门赛（新手入门）
• 02-打造舒适的AI开发环境–软件篇1
• 03-打造舒适的AI开发环境–软件篇23
• 04-打造舒适的AI开发环境–硬件篇
• 05-【01课】数据科学比赛介绍及Kaggle平台使用介绍
• 06-【02课】数据挖掘比赛的基础Baseline
• 07-【03课】特征工程实践
• 08-【04课】pytorch实践-NCF实践
• 09-【05课】数据挖掘中的文本信息的使用
• 10-【06课】数据挖掘比赛中的Trick
• 03-【kaggle新赛】feedback-英语学习者语言知识评估大赛指导班(NLP·文本分类)
• 02-打造舒适的AI开发环境–硬件篇
• 03-打造舒适的AI开发环境–软件篇1
• 04-打造舒适的AI开发环境–软件篇23
• 05-【01课】赛题解析和baseline详解
• 06-【02课】Bert预训练家族模型概览
• 07-【03课】NLP比赛提分技巧-1
• 08-【04课】NLP比赛提分技巧-2
• 04-【kaggle新赛】OpenProblems-单细胞变化预测大赛指导班（医疗数据挖掘）
• 02-打造舒适的AI开发环境–硬件篇
• 03-打造舒适的AI开发环境–软件篇1
• 04-打造舒适的AI开发环境–软件篇23
• 05-【01课】数据EDA，题目分析
• 06-【02课】baseline代码介绍
• 07-【03课】可能的上分点
• 05-【CCFBDCI2022】小样本分类大赛指导班（nlp任务）
• 02-打造舒适的AI开发环境–硬件篇
• 03-打造舒适的AI开发环境–软件篇23
• 04-打造舒适的AI开发环境–软件篇1
• 05-【01课】赛题解析和baseline详解
• 06-【02课】Bert预训练家族模型概览
• 07-【03课】小样本学习发展和应用
• 08-【04课】NLP比赛提分技巧
• 09-【05课】模型训练技巧分享
• 10-【06课】往期kaggle文本分类比赛回顾
• 06-【kaggle新人赛】数据挖掘新人赛（机器学习·二分类任务）
• 02-打造舒适的AI开发环境–软件篇1
• 03-打造舒适的AI开发环境–软件篇23
• 04-打造舒适的AI开发环境–硬件篇
• 05-【01课】数据科学比赛介绍及Kaggle平台使用介绍
• 06-【02课】数据挖掘比赛的基础Baseline
• 07-【03课】数据挖掘比赛中的神经网络Baseline
• 08-【04课】数据挖掘比赛中的调参方法以及模型融合
• 07-【Kaggle新赛】DFL德甲足球事件检测大赛指导班（CV·目标检测-视频分类）
• 02-打造舒适的AI开发环境–软件篇1
• 03-打造舒适的AI开发环境–软件篇23
• 04-打造舒适的AI开发环境–硬件篇
• 05-【01课】赛题介绍+baseline详解
• 06-【02课】视频分类与图像分类
• 07-【03课】数据扩增方法
• 08-【04课】多模型集成方法
• 09-【05课】历史视频比赛总结
• 10-【06课】比赛总结与直播答疑
• 08-【Kaggle练习赛】商品合格率预测大赛指导班
• 02-打造舒适的AI开发环境–硬件篇
• 03-打造舒适的AI开发环境–软件篇1
• 04-打造舒适的AI开发环境–软件篇23
• 05-【01课】赛题介绍+baseline详解（理论+实操）
• 06-【02课】机器学习经典树模型的介绍以及实战
• 07-【03课】TabTranformer原理详解
• 08-【04课】比赛tricks和过往类似比赛讲解
• 09-【Kaggle新赛】HuBMAP+HPA多器官功能组织分割大赛指导班
• 02-打造舒适的AI开发环境–软件篇1
• 03-打造舒适的AI开发环境–软件篇23
• 04-打造舒适的AI开发环境–硬件篇
• 05-【01课】赛题介绍+kaggle平台学习+比赛数据探索性分析
• 06-【02课】Baseline讲解
• 07-【03课】往期肾小球比赛讲解
• 08-【04课】额外的一个新比赛（待定）&肾小球答疑
• 09-【05课】额外的新比赛往期方案讲解
• 10-【06课】理论知识补充
• 11-【07课】复盘
• 10-【kaggle新赛】议论文评分大赛指导班（NLP·AES任务）
• 02-打造舒适的AI开发环境–软件篇23
• 03-打造舒适的AI开发环境–软件篇1
• 04-打造舒适的AI开发环境–硬件篇
• 05-【01课】赛题分析，EDA
• 06-【02课】baseline基本讲解
• 07-【03课】赛题理论知识讲解
• 08-【04课】赛题trick讲解
• 09-【05课】往期类似比赛讲解
• 10-【06课】答疑
• 11-【07课】比赛复盘
• 11-【kaggle新赛】信用违约预测大赛指导班（金融风控·结构化数据挖掘）
• 02-打造舒适的AI开发环境–软件篇1
• 03-打造舒适的AI开发环境–软件篇23
• 04-打造舒适的AI开发环境–硬件篇
• 05-【01课】赛题介绍+baseline详解（理论+实操）
• 06-【02课】树模型介绍与调参
• 07-【03课】深度学习模型搭建
• 08-【04课】模型集成方法
• 09-【05课】历史金融风控比赛总结
• 10-【06课】比赛总结与直播答疑
• 12-快速入门推荐算法-基于top-k的推荐赛
• 02-【01课】推荐系统算法总体介绍+赛题介绍+baseline讲解
• 03-【02课】推荐系统中的召回算法
• 04-【03课】推荐系统中的多兴趣召回算法
• 05-【04课】推荐系统中的排序算法
• 06-【05课】推荐系统中的多目标算法
• 07-【06课】知识图谱在推荐系统中的应用
• 13-【Kaggle新赛】UW-Madison肠胃道图像分割大赛（CV·图像分割）
• 01-打造舒适的AI开发环境–硬件篇
• 02-打造舒适的AI开发环境–软件篇1
• 03-打造舒适的AI开发环境–软件篇23
• 05-【01课】赛题介绍+kaggle平台学习+比赛数据探索性分析
• 06-【02课】Baseline讲解
• 07-【03课】语义分割模型基础一，基础版
• 08-【04课】语义分割模型基础二-进阶版
• 09-【05课】通用比赛思路及历年分割比赛top思路代码讲解
• 10-【06课】直播答疑
• 11-【07课】比赛复盘
• 14-【kaggle新赛】美国专利短语相似度大赛（NLP·文本相似度）
• 02-【01课】赛题介绍+baseline详解（理论+实操）
• 03-【02课】BERT预训练语言模型的介绍
• 04-【03课】Deberta等BERT变种预训练语言模型的介绍
• 05-【04课】比赛中的上分技巧
• 06-【05课】模型融合以及比赛解答
• 07-【06课】top方案的分享和比赛总结
• 15-【Kaggle新赛】NBME-临床患者病例评分大赛指导班(NLP·Token分类)
• 01-打造舒适的AI开发环境
• 03-01-课赛题介绍+baseline详解
• 04-02课-BERT代码详解及HuggingFaceTransfomers实战
• 05-03课-BERT及其变种
• 06-04课-代码实操课（kaggle环境）
• 07-05课-BERT变种和比赛技巧
• 08-06课-比赛总结和top方案分享
• 16-【Kaggle新赛】tensorflow海星目标检测大赛指导班(CV·目标检测)
• 01-打造舒适的AI开发环境
• 04-【先修指南】kaggle竞赛介绍
• 08-【01课】开营第一课（直播回放）
• 10-【02课】目标检测二阶段算法
• 11-【03课】修改网络设计
• 12-【04课】骨干网介绍和损失函数设计
• 13-【05课】数据增强和调参
• 14-【06】总结复盘
• 15-【07课】TOP方案分享_
• 17-03数学基础
• 02-【第一章】-1导读课
• 03-【第一章】-2矩阵的基本概念和运算性质
• 04-【第一章】-3矩阵的逆，转置和对称转置
• 05-【第一章】-4行列式的计算
• 06-【第一章】-5特殊矩阵的行列式与行列式的性质
• 07-【第一章】-6行列式按行列展开，代数余子式
• 08-【第一章】-7行列式的应用：克莱姆法则
• 09-【第一章】-8矩阵的逆的引入
• 10-【第一章】-9常用矩阵性质与特殊矩阵的逆
• 11-【第一章】-10分块矩阵
• 12-【第二章】-1初等变换引入+三种矩阵初等变换以及三种初等矩阵以及矩阵标准型
• 13-【第二章】-2初等变换的性质以及逆矩阵的另一种简单求法
• 14-【第二章】-3矩阵秩的定义和性质以及线性方程组解的个数
• 15-【第二章】-4矩阵的秩在线性回归算法中的应用
• 16-【第二章】-5向量的线性相关线性无关于可逆矩阵的关系+向量的内积范数正交规范正交基
• 17-【第二章】-6施密特规范正交化+特征值特征向量定义直观意义+特征值特征向量求法与常用性质
• 18-【第二章】-7施密特规范正交化+特征值特征向量定义直观意义+特征值特征向量求法与常用性质
• 19-【第二章】-8相似矩阵以及矩阵对角化+矩阵对角化的条件以及对称矩阵的对角化
• 20-【第二章】-9对角化在压缩算法的应用+二次型矩阵正定性+矩阵正定性在线性回归算法应用（上）
• 21-【第二章】-10对角化在压缩算法应用+二次型矩阵正定性+矩阵正定性在线性回归算法应用（下）
• 22-【第二章】-11SVD分解的应用
• 23-【第三章】-1常用函数的导数以及到导数的常用公式，复合函数求导
• 24-【第三章】-2中值定理&洛必达法则&泰勒公式及应用
• 25-【第三章】-3函数的凹凸性&函数的极值
• 26-【第三章】-4不定积分
• 27-【第三章】-5定积分
• 28-【第三章】-6偏导数&多元函数复合求导法则链式求导法则
• 29-【第三章】-7方向导数与梯度及其应用
• 30-【第三章】-8多元函数泰勒公式与海森矩阵&多元函数的极值
• 31-【第三章】-9矩阵的求导
• 32-【第三章】-10矩阵的求导在深度学习中的应用
• 33-【第四章-上】-1随机实验样本空间随机事件&概率的定义&条件概率与乘法公式
• 34-【第四章-上】-2全概率公式与贝叶斯公式及应用&独立性
• 35-【第四章-上】-3随机变量与多维随机变量
• 36-【第四章-上】-4期望与方差（上）
• 37-【第四章-上】-5期望与方差（下）
• 38-【第四章-上】-6参数的估计
• 39-【第四章-下】-1无约束最优化梯度下降
• 40-【第四章-下】-2无约束最优化牛顿法
• 41-【第四章-下】-3约束最优化
• 18-04神经网络基础知识
• 02-01-神经网络基础与多层感知机-0
• 03-01-神经网络基础与多层感知机-1
• 04-01-神经网络基础与多层感知机-2
• 05-01-神经网络基础与多层感知机-3
• 06-01-神经网络基础与多层感知机-4
• 07-02-卷积神经网络-0
• 08-02-卷积神经网络-1
• 09-02-卷积神经网络-2
• 10-03-循环神经网络-0
• 11-03-循环神经网络-1
• 12-03-循环神经网络-2
• 19-01Python·AI&数据科学入门
• 02-第一章绪论和环境配置
• 03-【作业讲解】第一章：助教实际演示配置环境过程
• 04-第二章Python基本语法元素
• 05-【作业讲解】第二章：Python基本语法元素
• 06-第三章基本数据类型
• 07-【作业讲解】第三章：基本数据类型
• 08-第四章组合数据类型
• 09-【作业讲解】第四章：复杂数据类型
• 10-第五章程序控制结构
• 11-【作业讲解】第五章：程序控制结构
• 12-第六章函数-面向过程的编程
• 13-【作业讲解】第六章：函数
• 14-第七章类-面向对象的编程
• 15-【作业讲解】第七章：类
• 16-第八章文件-异常和模块
• 17-【作业讲解】第八章：文件-异常和模块
• 18-第九章有益的探索
• 19-【作业讲解】第九章：有益的探索
• 20-第十章Python标准库
• 21-【作业讲解】第十章：Python标准库
• 22-第十一章科学计算库—Numpy应用
• 23-【作业讲解】第十一章：Numpy库
• 24-第十二章Pandas库
• 25-【作业讲解】第十二章：Pandas库
• 26-第十三章Matplotlib
• 27-【作业讲解】第十三章：Matplotlib
• 28-第十四章Sklearn常规用法
• 29-【作业讲解】第十四章：Sklearn常规用法
• 30-第十五章再谈编程
• 20-深度学习PyTorch框架班
• 05-【必看】深入浅出PyTorch
• 06-【第一周】PyTorch简介与安装
• 07-【第一周】补充-pytorch开发环境安装
• 08-【第一周】张量简介与创建
• 09-【第一周】张量操作与线性回归
• 10-【第一周】计算图与动态图机制
• 11-【第一周】autograd与逻辑回归
• 12-【第一周】作业讲解1
• 13-【第一周】作业讲解2
• 14-【第一周】作业讲解3
• 15-【第二周】数据读取机制Dataloader与Dataset
• 16-【第二周】数据预处理transforms模块机制
• 17-【第二周】二十二种transforms数据预处理方法
• 18-【第二周】学会自定义transforms方法
• 19-【第二周】作业讲解
• 20-【第三周】模型创建步骤与nn.Module
• 21-【第三周】模型容器与AlexNet构建
• 22-【第三周】nn网络层-卷积层
• 23-【第三周】nn网络层-池化-线性-激活函数层
• 24-【第三周】作业讲解
• 25-【第四周】权值初始化
• 26-【第四周】损失函数（一）
• 27-【第四周】损失函数(二)
• 28-【第四周】优化器optimizer的概念
• 29-【第四周】torch.optim.SGD
• 30-【第四周】作业讲解
• 31-【第五周】学习率调整策略
• 32-【第五周】TensorBoard简介与安装
• 33-【第五周】TensorBoard使用（一）
• 34-【第五周】TensorBoard使用（二）
• 35-【第五周】hook函数与CAM可视化
• 36-【第五周】作业讲解
• 37-【第六周】正则化之weight_decay
• 38-【第六周】正则化之Dropout
• 39-【第六周】BatchNormalization
• 40-【第六周】Normalizaiton_layers
• 41-【第六周】作业讲解
• 42-【第七周】模型保存与加载
• 43-【第七周】模型finetune
• 44-【第七周】GPU的使用
• 45-【第七周】PyTorch常见报错
• 46-【第七周】作业讲解
• 47-【第八周】图像分类一瞥
• 48-【第八周】图像分割一瞥
• 49-【第八周】图像目标检测一瞥（上）
• 50-【第八周】图像目标检测一瞥（下）
• 51-【第九周】生成对抗网络一瞥
• 52-【第九周】循环神经网络一瞥
• 21-【爱奇艺】WSDM用户留存大赛指导班
• 01-打造舒适的AI开发环境
• 04-【01课】赛题介绍+baseline详解
• 05-【02课】特征工程
• 06-【03课】序列模型
• 07-【04课】Auto—ML&HPO
• 08-【05课】爱奇艺结营视频
• 22-【Kaggle新赛】有毒评论识别大赛指导班（NLP·文本分类）
• 01-打造舒适的AI开发环境