5個步驟 & 7個提示 | 一份開啟Kaggle競賽征途的初學者指南

https://yq.aliyun.com/cloud

對於機器學習入門而言，我們一般都是從手寫體MNIST、CIFAR-10等一些公開的數據集快速上手，複現別人的模型並得到一些好的結果。由於別人給出了相關的模型及步驟，做完這些複現總覺得太簡單而沒有收獲，這是因為這些數據集及給出的模型都非常的完美。針對自己特定任務和數據集而言，數據集處理起來相當困難或者搭建的模型效果不好，讓初學者不禁陷入沉思，是我們太菜了嗎？

答案是肯定而又殘酷的，但不要灰心，人生如棧，學習也一樣。在懵懂中入棧，接觸這個機器學習行業；每天忙於製作數據集與搭建模型，做著似乎總是重複的事情，出棧而又入棧，為的隻是能搭建一個合適的模型，完成特定的任務；我們總說在哪裏跌倒就在哪裏爬起來，但是當一次次數據集製作與模型的仿真實驗結果不好時，我們就像彈棧找不到返回地址，對自己感到迷茫，對機器學習這份行業感到猶豫。很幸運，你看到這篇文章，將告訴你在一個個棧的外邊，隱藏著一個小平台，隻要我們在製作數據集中多思考，在搭建模型中多嚐試，不斷進取，就能取得成功。這個平台對於機器學習行業者而言，並不陌生，那就是數據科學競賽的熱門平台——Kaggle。

Kaggle創辦於2010年，目前已經被Google收購，是全球頂尖的數據科學競賽平台，最近關於NIPS的生成對抗比賽可以見博主這篇文章《Kaggle首席技術官發布——(Kaggle)NIPS 2017對抗學習挑戰賽起步指南》，感興趣的同學可以立刻著手準備參加吧。Kaggle提供了一個介於“完美”與真實之間的過渡，問題的定義基本良好，卻夾著或多或少的難點，一般沒有完全成熟的解決方案。但我們也不要將kaggle上的比賽想得那麼簡單，畢竟，一些比賽有超過100萬美元的獎池和數百個競爭對手；另外有些頂尖的團隊擁有數十年的綜合經驗，處理棘手的問題，如改善機場安全或分析衛星數據。

Kaggle

如何開始
會跟經驗豐富的博士研究生隊伍對抗嗎？
如果沒有真正的獲勝機會，那麼值得競爭嗎？
如何提高排名？

Kaggle VS. “

KaggleK

Kaggle

“

問題可以很容易。事實上，數據科學家們應該嚐試一些可以快速解決的有影響力的項目。
解決方案可以是非常成熟的。最常見的任務（例如探索性分析、數據清洗、A / B測試及經典算法）已經有成熟的框架，隻需要應用就好。
表現可以是絕對的。即使隻擊敗以前的基準，這個解決方案也可以是有價值的。Kaggle比賽鼓勵參賽者展現出最好的一麵，而典型的數據科學則會鼓勵效率並最大化商業影響。