這是一份為數據科學初學者準備的Kaggle競賽指南

我從哪裡開始？

我會面對經驗豐富的博士級研究人員團隊么?

如果我沒有獲勝的機會，那麼還值得競爭嗎？

這就是數據科學？（如果在Kaggle做得不好，那麼我在數據科學方面還有未來嗎？）

我的未來將如何發展？

當你第一次接觸Kaggle時，是否也有這些困惑？好，那你來對地方了！

這份入門指南詳細介紹了一些參加Kaggle競賽必知的知識，以及如何在Kaggle競賽中打怪升級，爭奪排位，「登上人生巔峰」！

對於數據科學初學者來說，Kaggle是一個很受歡迎的競賽平台。畢竟,這裡的一些競賽中有超過1000000美元的獎金池和數以百計的行業高手。而這裡的頂尖團隊也擁有數十年的綜合經驗，曾處理過很多高大上的問題，如改善機場安全或分析衛星數據等。

雖然Kaggle如此有吸引力，但是當你首次參與時也要hold住自己，一定要理清以下內容。

Kaggle 和日常數據科學的差異

首先,我們需要知道的是:Kaggle比賽與日常使用的數據科學是有重要差異的。但是，如果你以正確的心態去了解它們，還是能獲取很多寶貴經驗的。

Kaggle比賽

本質上，比賽（獲獎）必須符合以下3個標準：

1. 問題一定很難。比賽問題不可能一個下午就能解決。為了獲得最好的投資收益，主辦方會提交使他們的效益最大，同時也是最難解決的問題。

2. 解決方案必須是新的。為了贏得最新的比賽，你通常需要進行擴展研究、制定演算法、訓練高級模型等。

3. 必須與他人競爭。因為比賽的目標就是贏得冠軍，所以你的解決辦法必須與他人的競爭，而且爭取獲勝。

日常的數據科學

相比之下，日常數據科學不需要達到相同的標準。

1. 解決問題的方法越簡單越好。事實上，數據科學家應該嘗試事半功倍的方法:能夠快速有效地解決有影響力的項目。

2. 解決方案必須成熟。大多數常見的任務（如探索性分析、數據清理、A/B測試、經典演算法）已經有了證明框架。只需要重新設計架構即可。

3. 不需要與他們競爭成為第一。一個解決方案即使只是勝過之前的測試基準一點點，也可能是非常有價值的。

Kaggle競賽鼓勵你發揮出最優秀的表現，而日常中的數據科學提倡效率和最大化的商業影響。

那麼，Kaggle是值得學習的嗎?

儘管Kaggle和日常數據科學有很大的不同，但是對於初學者來說，Kaggle仍然是一個很好的學習工具。以下是Kaggle競賽的3大優勢：

1. 每場比賽都是各自獨立的。你不需要再擴展自己上一個項目，並收集數據，這可以讓你把心思放在其他技能上。

2. 實踐就是實踐。學習數據科學的最好方法是通過實踐學習。你沒有必須贏得每一場比賽的壓力，同時可以遇到許多有趣的問題。

3. 相互討論和優勝者訪談對你都有啟發性。每一場比賽都有討論區以及優勝者訪談。你可以深入了解更有經驗的數據科學家的思維過程。

如何開始Kaggle的工作

接下來是一個循序漸進的行動計劃，讓你在Kaggle上可以輕鬆提升自己，參與競爭。

步驟1:選擇一種編程語言

首先，你需要選擇一種編程語言並堅持使用它。在Kaggle和更廣泛的數據科學社區論壇中，Python和R都很受歡迎。

如果這倆你都沒有接觸過，推薦Python，因為它是一種通用的編程語言，你可以端到端使用它。

步驟2:學習數據的基礎知識

載入、導航和繪製數據(即探索性分析)的能力是數據科學的第一步，因為它告訴了你在整個模型訓練過程中所做的各種決策。

如果你選擇了Python語言，那麼建議你使用專門為此而設計的Seaborn資料庫。 它有許多繪製最常見和有用的圖表的高級功能。

步驟3:訓練你的第一個機器學習模型

在進入Kaggle之前，建議你在更容易、更易於管理的數據集上對模型進行訓練。這可以讓你熟悉機器學習庫和空間布局。

關鍵是要養成良好的習慣，比如，將數據集分解為單獨的訓練集和測試集，交叉驗證以避免過度使用，並使用合適的性能指標。

對於Python來說，最好的通用機器學習庫是「scikit-Learn」。

步驟4:著手準備入門賽

現在我們已經作好技術準備，該來了解一下Kaggle了！

Kaggle最常見的比賽類型包括以下4種:

特色賽：通常是由公司、組織，甚至是政府贊助的。他們有最大的獎金池。

研究賽：面向研究，幾乎沒有獎金。他們也有非傳統的提交過程。

招聘賽：是由想招聘數據科學家的公司贊助的，比較少見。

入門賽：有很多比較有特色的比賽，但是沒有獎金池。它們提供了易於處理的數據集、大量的教程和循環的提交窗口，這樣你可以隨時參加比賽。

入門賽比較適合初學者，因為它給了你一個低風險的學習環境。同時，你還能得到許多社區、論壇創建的教程。

步驟5: 學習經驗教訓，而不是關注收益

有了上述基礎，大顯身手的時候到了！

一般來說，參加Kaggle比賽需要很多時間和精力，還要合理安排。因此，建議你明智地選擇對手。盡量參加能使你實現長期目標的競賽，獲取其中的技術和技巧。

雖然獎金很誘人，但更有價值(更可靠)的獎勵是你可以獲得為自己的職業發展所需要的技能。

在Kaggle比賽中節約時間的7個小技巧

技巧1:設定遞增目標

如果你玩過「Addicting Games」遊戲，就會知道遞增目標的魅力。這就是能讓你著迷的，很牛的遊戲的手段。每一個目標都足夠大，足以讓人有成就感，但卻足夠現實，讓你觸手可及。

大多數的參賽者都不可能一上來就贏得一場比賽，如果你把贏一場作為你的第一個目標，那麼很容易感到氣餒，在嘗試了幾次之後就失去動力了。循序漸進的目標會使你的kaggle之旅更加愉快。

例如：

1.在一場比賽中得分居於前50%。

2.在一場比賽中得分居於前25%。

3.在一場比賽中得分居於前10%。

4.贏得比賽!

這個策略可以讓你在參賽過程中衡量自己的進步和改變。

技巧2:查看最流行的參賽者內核

Kaggle有一個很棒的特點，參賽者可以提交內核——一種簡短的腳本，可以探索一個概念，展示一種技術，甚至可以共享一個解決方案。

當你開始一場比賽，或者當你達到一個頂峰時，回顧流行的內核可以激發出更多的想像。

技巧3:在論壇上提問

不要害怕問「愚蠢」 的問題。你會有很多收穫，包括來自經驗豐富的數據科學家的建議和指導。

技巧4:獨立開發核心技能

一開始，建議你單獨工作。這將迫使你獨立處理應用機器學習過程的每一個步驟，包括探索性分析、數據清理、特性工程和模型培訓。

如果你過早地開始合作，你可能會錯過發展這些基礎性技能的機會。

技巧5:利用團隊合作突破瓶頸

也就是說，在未來的比賽中進行合作可能是一個很好的方式，向其他人學習，突破個人局限。過去，許多贏家都是團隊，他們聯合起來就意味著把更多優秀的知識結合起來。

此外，一旦你掌握了機器學習的技術，你就可以與比你有更多領域知識的人合作，進一步拓展自己的能力。

技巧6:記住，Kaggle也可能只是一個墊腳石

記住，你並不一定要成為一個長期的「競技高手」。如果你發現你不喜歡這種模式，那也沒什麼大不了的。

事實上，許多人在開始自己的項目或成為全職數據科學家之前，只是把Kaggle當作墊腳石。

這也是你應該儘可能多地專註於學習的另一個原因。從長遠來看，參加Kaggle最好的目標是獲得相關經驗，而不是追逐最多的獎金。

技巧7:不要擔心等級低

一些初學者不敢參加比賽，因為他們擔心別人看到自己的低級別而感到難為情。當然，競技焦慮是一種真實的現象，並不只局限於Kaggle。

然而，低級別並不是什麼大問題。沒有人可以評判你，因為他們都是初學者。

即便如此，如果你仍然對個人資料中的低排名感到擔憂，那麼也可以創建一個單獨的練習賬號來學習技巧。一旦你感覺時機成熟，就可以使用自己的 「主賬號」進擊排行榜了。

來源：Elitedatascience

智能觀 編譯整理

想知道AI加教育領域有哪些最新研究成果？請在智能觀（zhinengguanym）對話界面回復「論文」；

想要AI領域更多的乾貨？請在對話界面回復「乾貨」；

想了解更多專家的「智能觀」，請在對話界面回復「觀點」，去獲取你想要的內容吧。

推薦閱讀：