评论
Kaggle 是最著名的预测建模和分析比赛平台。该公司成立于 2010 年，总部位于澳大利亚墨尔本，一年后在获得来自硅谷的资金后迁至旧金山。2017 年，它被谷歌收购。阅读更多关于其历史和未来的信息，请查看 与 Kaggle CEO Anthony Goldbloom 的采访。
在过去的十年里，“数据科学”这个词逐渐浮现在英语词汇中。因此，“数据科学”和“Kaggle”这两个词变得密不可分，数据科学社区的许多人对这个平台的实用性进行思考和讨论：
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
Kaggle… 有用吗？
像许多人一样，我对 Kaggle 比赛有一些先入为主的看法。我听说过它们很多年了，这些是我从领域中的其他人那里得到的看法或意见：
-
我听说过一个传说，退休的博士生和拥有几十年经验的人是赢得 Kaggle 比赛的赢家。(我常常想，这些天才是坐在清澈湛蓝的海水和无瑕疵的 WiFi 连接的海滩上，还是在一个黑暗、尘土飞扬、杂乱无章的办公室里……)
-
我几乎没有获胜的机会
-
我真的会学到有价值的东西吗？
-
投资时间提高 0.01 分的准确率有什么意义？
-
这真的最有效地利用了我的时间吗？我是否不应该投资时间去学习另一个更有价值的数据科学技能？
-
胜利者必须使用复杂的集成方法
-
数据是人为清理的，这不现实
-
参加一次 Kaggle 比赛不会让我成为合格的数据科学家，那我为何要费心？
-
我不知道从哪里开始…
在多年的抗拒之后，我最近参加了第一次 Kaggle 比赛，这是船还是冰山。我写了一篇关于我的经历的文章 我的第一次 Kaggle 比赛。
我发现 Kaggle 竞赛很像纽约马拉松。大多数人参加是为了过程，而不是为了赢得第一名。
我会说“是的”，参与 Kaggle 竞赛是有价值的，无论是对初学者还是有经验的数据科学家。以下是很多原因。
基准测试
虽然获取自己的数据集或抓取网络有学习上的好处，但缺点是没有基准，无法比较你的发现。可能会出现重大错误，而且没有人知道，因为没有进行验证。Kaggle 竞赛提供了一个“检查工作”的平台。
适合所有级别的学习
对于初学者，有很多内容需要学习：
-
熟悉 Kaggle 平台
-
结构化的生态系统允许统计技能较少的人专注于此
-
理解评估指标
-
使用 devops 技能：Git，云计算
-
练习
-
Kaggle 提供一些免费的互动 教程
对于有经验的从业者，总是有更多的学习内容：
-
结构化的生态系统允许统计技能更高级的人专注于此
-
更深入地探索超参数
-
专注于前沿和新兴的方法
-
竞赛后分析获胜条目
-
管理非常大的数据集（100 万条记录或更多）
-
为深度学习设置支持 GPU 的机器
-
使用深度学习并与传统算法比较结果
数据
在整个数据科学社区中，你会听到关于数据集的引用。你将会熟悉其他学习平台和会议发言者提到的流行数据集。
尽管数据集是提供的，但仍然需要理解数据和评估指标。与普遍看法相反，仍然存在“脏数据”需要进一步调查。深入挖掘被误分类的项目会导致算法的调整。
作品集部分
的确，做一次 Kaggle 竞赛并不能使你成为数据科学家。参加一节课程、一次会议教程、分析一个数据集或阅读一本数据科学书籍也不能。参与竞赛增加了你的经验并增强了你的作品集。这是你其他项目的补充，而不是衡量数据科学技能的唯一标准。
乐趣
人们常常不确定是否应该追求数据科学的职业。参加比赛是一种有效的方式来评估你的能力和兴趣。如果你真的喜欢 Kaggle 的过程，它会更清楚地指引你正确的方向。如果你更愿意花时间做其他事情，那也没关系；这是找到答案的一种方式。
初学者指南
这篇文章提供了关于 Kaggle 的详细信息以及开始使用的技巧：Kaggle 初学者指南
内核
这里有内核，即其他人共享的 Jupyter Notebook 代码。你可以自由地复制和使用这些代码来开始比赛。代码有 R 和 Python 两种版本。
讨论板
每个比赛都有一个讨论板，用于提问和对内核以及话题进行投票。
Slack
Kaggle 有一个 Slack 团队：KaggleNoobs slack channel。这里有将近 4000 名成员，还有一个 AMA（问我任何事）频道，他们定期采访 Kaggle 参与者和获胜者。
选择
-
你可以参加已经结束的比赛。请记住，这主要是关于学习，而不是最终结果。
-
有各种主题（随机森林、多分类、神经网络、自然语言处理）和数据集类型（图像、结构化数据、文本、大数据）
与他人合作
-
无论你是数据科学初学者还是有经验的从业者，都要与他人合作。
-
请注意，最好在 Kaggle 上拥有独立的团队，这样你们每个人可以最大化地每日提交结果，但在比赛快结束时可以合并团队。
我认为至少参加一次比赛是值得的。尝试过的事情和未尝试过的事情之间是有区别的。Kaggle 正在不断发展，尤其是在被 Google 收购后。请定期查看，了解最新动态。
虽然 Kaggle 是最知名的平台，但还有许多其他机会可以参加比赛：
-
许多大学分析部门都有年度比赛。
-
会议通常有比赛或所谓的“任务”。
-
私营公司赞助他们自己的比赛。
这是其他数据科学竞赛的示例列表。花点时间使用 Google 搜索会找到更多最新和活跃的机会。
Jeremy Howard 关于深度学习、Kaggle、数据科学等的采访，2017 年
我的 Kaggle 经验与争夺名额的退休，Marios Michailidis，2016 年
机器学习不是 Kaggle 比赛，Julia Evans, 2014
数据科学简史, 2013
简介： Reshama Shaikh 是一名自由数据科学家/统计学家，拥有 Python、R 和 SAS 技能，并取得了 MBA 学位。她在制药行业担任生物统计学家超过 10 年。她还是纽约机器学习与数据科学女性聚会小组以及 PyLadies 的组织者。她在拉格斯大学获得统计学硕士学位，并在纽约大学斯特恩商学院获得 MBA 学位。
原创。经许可转载。
相关：