摘要：顶尖的团队拥有数十年的综合经验，处理有挑战的问题，如改善机场安全或分析卫星数据。

原文链接：

Kaggle是数据科学竞赛的热门平台，它可能会让初学者陷入困境。

毕竟，一些比赛有超过100万美元奖池和数百个竞争对手。

顶尖的团队拥有数十年的综合经验，处理有挑战的问题，如改善机场安全或分析卫星数据。

一些初学者犹豫使用Kaggle，这并不奇怪。他们有理由担忧，如：

• 怎样开始？
• 我会跟经验丰富的博士研究生团队竞争吗？
• 如果我没有真正的获胜机会，那么值得竞争吗？
• 数据科学是什么？（如果我在Kaggle做得不好，我还能向数据科学发展吗？）
• 如何提高排名？

那么，如果你有过这些问题，你的想法是正确的。

在本指南中，我们将分解你需要了解的有关入门知识，提高你的技能，并享受在Kaggle的一切。

Kaggle与“传统”数据科学

首先，我们需要弄清楚一些事情：

Kaggle比赛与“传统”数据科学有重要差异，但如果你以正确的心态接触，它们仍然会提供宝贵的经验。

我们来解释一下：

Kaggle比赛

本质上，比赛（以及奖池）必须符合几个标准。

• 问题一定很难。 比赛不能只用一个下午解决。为了获得最佳的投资回报，东道主公司将会提交最大、最麻烦的问题。
• 解决方案必须是新的。 为了赢得最新的比赛，你通常需要进行扩展研究，自定义算法，训练高级模型等。
• 表现必须相对。比赛必须产生获胜者，所以你的解决方案将同其他方案评分。

“传统”数据科学

相比之下，日常数据科学不需要符合相同的标准。

• 问题可以很容易。事实上，数据科学家们应该尝试识别可轻易实现的目标：可以快速解决的有影响力的项目。
• 解决方案可以成熟。 最常见的任务（例如：探索性分析，数据清理，A/B测试，经典算法）已经有成熟的框架。需要重新造轮子。
• 表现可以是绝对的。 解决方案可以非常有价值，即使它只是击败以前的基准。

Kaggle比赛鼓励你挤出最后一丝性能，而传统的数据科学则会鼓励效率并最大化业务影响。

Kaggle值得吗？

尽管Kaggle和典型的数据科学存在差异，但是，对于初学者而言，Kaggle仍然是一个很好的学习工具。

• 每场比赛都是独立的。你不需要仔细研究项目范围并收集数据，从而可以让你专注于其他技能。
• 练习是实践。 学习数据科学的最好方法是通过动手来学习。只要你不要强调赢得每场比赛，你仍然可以练习有趣的问题。
• 讨论和获胜者采访是有启发性的。每个比赛都有自己的板块和并且获胜者咨询。你可以窥探更有经验的数据科学家的思想过程。

如何入门Kaggle

接下来，我们将给出逐步的行动计划，在Kaggle上升和竞争。

步骤1：选择一门编程语言。

首先，我们建议选择一种编程语言并坚持使用它。Python以及R在Kaggle和更广泛的数据科学界都很受欢迎。

如果本身白纸一张，我们建议使用Python，因为它是一种通用的编程语言，可以从端到端使用。

• R vs Python for Data Science
• How to Learn Python for Data Science

步骤2：了解探索数据的基础知识。

加载，导航和绘制数据（即：探索性分析）的能力是数据科学的第一步，因为它可以告知你通过模型训练中做出的各种决策。

如果你走Python的路线，那么我们建议使用专门为此而设计的Seaborn库。它具有绘制许多最常见和有用的图表的高级函数。

• Python Seaborn教程

第3步：训练你的第一个机器学习模型。

在进入Kaggle之前，我们建议你在一个更容易，更易于管理的数据集上训练一个模型。这将使你熟悉机器学习的库和形势。

关键是要良好的开发习惯，例如，将数据集分成单独的训练集和测试集，交叉验证以避免过度拟合，并使用适当的性能指标。

对于Python，最好的通用机器学习库是Scikit-Learn。

• Python Scikit-Learn Tutorial
• 7-Day Applied Machine Learning Crash Course

步骤4：处理“入门级”的比赛。

现在我们准备尝试Kaggle比赛，分为几类。最常见的是：

特色 - 这些通常由公司，组织甚至政府赞助。他们有最大的奖池。
研究 - 这些都是以研究为导向，几乎没有奖金。他们也有非传统的提交流程。
招聘 - 这些由希望聘请数据科学家的公司赞助。这些还是比较少见的。
入门 - 结构如特色比赛，但没有奖池。它们以更简单的数据集为特征，大量教程和滚动提交窗口，因此你可以随时输入。

「入门」比赛对于初学者来说非常棒，因为它们为你提供低风险的环境来学习，并且还得到许多社区创建的教程的支持。

步骤5：争取最大限度地发掘学习，而不是赚钱。

在这个基础上，现在是进行“特色”比赛的时候了。一般来说，这些将需要更多的时间和精力来排好。

因此，我们建议明智地挑选你的战斗。参加比赛，了解与你的长期目标相一致的技术和科技。

虽然奖金是好的，更有价值（可靠）的奖励将是你为你的职业发展的技能。

享受Kaggle的技巧

最后，我们将介绍我们的7个最喜欢的技巧，以充分利用你在Kaggle的时间。

提示＃1：设置增量目标。

如果你曾经玩过一个令人上瘾的游戏，你会知道增量目标的力量。这是多么伟大的游戏让你上钩。每个目标都足够大，以获得成就感，然而现实感足以达到目标。

大多数Kaggle参与者绝对不会赢得一场比赛，这完全是正常的。如果你把它当成你的第一个里程碑，你可能会感到灰心丧气，几次尝试后就失去了动力。

增量目标使​​旅程更加愉快。例如：

• 提交一个打败基准解决方案的提交。
• 在一场比赛中，排名前50％。
• 在一场比赛中，排名前25％。
• 在三场比赛中，排名前25％。
• 在一场比赛中，排名前10％。
• 赢得一次比赛！

这个策略将让你衡量你的进步并不断改善。

提示＃2：查看投票最多的内核。

Kaggle有一个很酷的功能，参与者可以提交「内核」，它是探索概念、展示技术或甚至共享解决方案的简短脚本。

当你开始一场比赛或者处于停滞状态时，回顾流行的内核可以激发更多的想法。

提示＃3：在论坛上提问。

不要害怕问「愚蠢」的问题。

毕竟，可能发生的最糟糕的事情是什么？也许你是被忽视…这就是所有。

另一方面，你可以获得丰富的成果，包括来自更有经验的数据科学家的建议和指导。

提示4：独立开发代码的技能。

一开始，我们建议单独工作。这将迫使你解决应用机器学习过程的每一步，包括探索性分析，数据清洗，特征工程和模型训练。

如果你太早开始合作，你可能会错过开发这些基础技能的机会。

提示＃5：团队协作推动你的上限。

就这样说，在未来的比赛中组队可以是推动你的上限和向他人学习的好方法。许多过去的获奖者都是将他们的知识结合起来的团队。

另外，掌握机器学习的技术技能之后，你可以与可能拥有更多领域知识的其他人进行协作，进一步拓展机会。

提示＃6：请记住，Kaggle可以成为垫脚石。

记住，你不一定要成为一个长期的Kaggler。如果你发现你不喜欢格式，那没有什么大不了的。

事实上，许多人在进入到自己的项目或成为全职数据科学家之前使用Kaggle作为垫脚石。

这是你尽可能多专注于学习的另一个原因。从长远来看，比起追求最大的奖池，提供相关经验的针对性比赛更好。

提示＃7：不要担心低排名。

一些初学者从来没有开始，因为他们担心他们的个人简介中的低排名。当然，竞争焦虑是一个现实的现象，并不局限于Kaggle。

然而，低排名实际上并不是大问题。没有人会评判你，因为他们都是初学者。

即使如此，如果你仍然非常担心你的个人资料中的低排名，你还可以创建一个单独的练习帐户来学习诀窍。一旦你感到合适，你可以开始使用你的“主帐户”来建立你的奖杯。

（再一次，这是完全不必要的！）

结论

在本指南中，我们分享五个入门Kaggle的步骤：

选择一种编程语言。

了解探索数据的基础知识。

训练你的第一个机器学习模型。

处理“入门级”的比赛。

争取最大限度地发掘学习，而不是赚钱。

最后，在这个平台上，我们分享7个的最喜欢的提示：

• 设置增量目标。
• 查看投票最多的内核。
• 在论坛上提问。
• 独立开发代码技能。
• 团队协作推动你的上限。
• 记住，Kaggle可以成为踏脚石。
• 不要担心低排名。

原创或专栏文章，作者：数据工匠，如若转载，请注明出处：《Kaggle入门手册》