本文为kaggle 深度学习初级课程 第一部分 A Single Neuron --Learn about linear units, the building blocks of deep learning. 本节介绍什么是深度学习？以线性单位示例！你就要学会开始构建自己的深度神经网络所需的一切。

本文 Keras 入门教程第四部分，本节利用卷积神经网络（CNN），对手写数字数据集 MNIST 做多分类建模。

本文为kaggle机器学习中级课程 第二部分 Missing ValuesMissing values happen.Be prepared for this common challenge in real datasets.缺失值的发生，为现实数据集中的这一常见挑战做好准备。本教程中，您将学习三种处理缺失值的方法。然后，您将在真实数据集上比较这些方法的有效性。

部分依赖图 --每个特征怎么样影响预测结果？像排列重要性一样，部分依赖图是在模型拟合后计算的。我们将使用拟合模型来预测我们的结果(他们的球员赢得“全场最佳球员”的概率)。但是我们**反复改变一个变量的值**来做出一系列的预测。如果球队只有40%的控球率，我们就能预测结果。然后我们预测，他们有50%的几率拿球，然后再预测60%，等等...... 我们追踪预测结果(在纵轴上)，当我们从小的控球值移动到

本文为kaggle 深度学习初级课程 第五部分Dropout and Batch NormalizationAdd these special layers to prevent overfitting and stabilize training.在这节课中，我们将学习两种特殊的层（dropout 和 Batch Normalization），它们本身不包含任何神经元，但它们添加了一些功能，有时

SHAP 值 (SHapley Additive exPlanations的首字母缩写)对预测进行分解，以显示每个特征的影响。你可以在哪里使用这个?一个模型说，银行不应该借钱给某人，法律要求银行解释每笔拒绝贷款的依据医疗保健提供者想要确定是什么因素导致每个病人患某种疾病的风险，这样他们就可以通过有针对性的健康干预措施直接解决这些风险因素在本次课程中，您将使用SHAP 值 来解释单个预测。

本文为kaggle 深度学习初级课程 第六部分 Binary ClassificationApply deep learning to another common task.现在我们将把神经网络应用于另一个常见的机器学习问题：分类。到目前为止，我们所学到的大部分知识仍然适用。主要区别在于我们使用的损耗函数，以及我们希望最后一层产生什么样的输出。

你的模型认为哪些特征最重要？我们可能会对模型提出的最基本的问题之一是：哪些特征对预测的影响最大？这个概念被称为特征重要性。有多种方法可以衡量特征的重要性。一些方法巧妙地回答了上述问题的不同版本。其他方法也有不足之处。在本课程中，我们将重点讨论排列的重要性。快速计算广泛使用和理解，并且与我们希望特征重要性度量具有的属性一致。您将通过出租车票价预测比赛的数据样本来思考和计算排列重要性。我们现在不会专注

本文为kaggle机器学习中级课程 第三部分 Categorical Variables--There's a lot of non-numeric data out there. Here's how to use it for machine learning.在本教程中，您将了解什么是分类变量，以及处理此类数据的三种方法。

本文为kaggle机器学习中级课程 第四部分 Pipelines --A critical skill for deploying (and even testing) complex models with pre-processing.在本教程中，您将了解什么是管道，学习如何使用管道来优化建模代码。