机器学习实战通关指南 ⛵ 全场景覆盖AI解决方案

现在 AI 技术已经在发挥作用帮助我们与时间赛跑，挽回更多生命和损失。本文我们也介绍一下『机器学习』和『深度学习』等人工智能技术在森林火灾扑救过程中的应用。

本文以『客户流失』为案例，讲解构建企业级AI建模流水线（pipeline）的五个步骤：① 数据预处理、② 特征工程、③ 样本处理、④ 模型集成、⑤ 超参数调优与特征重要度分析。

二手车交易越发繁荣的当下，如何科学定价时买卖&平台三方都关心的问题。本文结合汽车价格预测数据集，讲解『二手车价格预估模型』构建和部署的全过程。【代码与数据集亲测可运行】

本文基于Airbnb在大曼彻斯特地区的房源数据，构建机器学习模型，进行数据分析与挖掘建模，预测民宿房源的价格走势。当然，同样的方法模式也可以应用在国内平台。

本文将基于保险欺诈场景案例讲解如何进行有效的图挖掘，并将挖掘到的信息提供给AI模型，辅助精准检测和识别商业保险欺诈。

全自动化机器学习建模！效果吊打初级炼丹师！本文汇总了常见开源库，PyCaret、H2O AutoML、TPOT、Auto-sklearn、FLAML、EvalML、AutoKeras等

Python机器学习实战系列教程，以案例和代码驱动的方式，帮助大家学习机器学习算法应用流程和各个链条环节，掌握构建场景建模解决方案并进行效果调优的能力。

本篇内容给大家详细讲解了特征工程的知识，包括数据清洗（数据对齐、缺失值处理、异常值处理），特征构建，特征变换，特征选择与实战特征工程经验等内容。

本篇文章详解机器学习应用流程，应用在结构化数据和非结构化数据(图像)上，借助案例重温机器学习基础知识，并学习应用机器学习解决问题的基本流程。

本篇内容介绍了SKLearn的核心板块，并通过SKLearn自带的数据集，讲解了一个典型的应用案例。

本篇内容详解scikit-learn工具库的用法，覆盖机器学习基础知识、SKLearn讲解、SKLearn三大核心API、SKLearn高级API等内容。

本篇内容详细讲解XGBoost的工程应用方法。XGBoost是一个非常强大的Boosting算法工具包，是很多大厂机器学习方案的模型首选，在并行计算效率、缺失值处理、控制过拟合等能力上都表现非常优秀。

本篇详细讲解LightGBM的工程应用方法。LightGBM是微软开发的boosting集成模型，和XGBoost一样是对GBDT的优化和高效实现，但它很多方面比XGBoost有着更为优秀的表现。

本篇内容基于Kaggle数据科学竞赛Rossmann store sales，梳理和总结基于Python解决电商建模的全过程：包括数据探索分析、数据预处理与特征工程、建模与调优。

本篇内容是Kaggle数据科学竞赛Rossmann store sales解决方案的进阶版本，整体方案包括探索性数据分析、缺失值处理、特征工程、基准模型与评估、XGBoost建模与调优等完整板块。

本篇介绍工具库FLAML。FLAML 由 Microsoft Research 开发，适用于AutoML自动化机器学习建模，构建端到端机器学习流程、解决实际场景问题。

本篇讲解使用自动化特征工程工具Featuretools，对数据进行自动化特征工程的方法，并借助于BigMart Sales数据集来演示自动化特征工程的相关应用。