搭建模型
Kaggle号称是全球最大的数据科学家汇聚的平台，高手云集，同时对萌新也很友好。Kaggle网址：https://www.kaggle.com/。目前为止（2016.12）网站有这么几个版块：
1、竞赛competitions
2、数据datasets
3、代码kernels
4、论坛forums
5、工作机会jobs
一、“竞赛”版块
“竞赛”版块是发布竞赛题目和参加竞赛的入口。参加kaggle的竞赛流程基本是：选一个题目>>下载数据>>训练模型>>提交结果>>查看排名>>优化模型（迭代）>>最终提交>>比赛结束。Kaggle竞赛分类
从参赛者的角度看，竞赛种类有：推荐比赛Featured、人才征募Recruitment、研究型Research、游乐场Playground、入门比赛Getting Started、课业比赛In Class。推荐比赛Featured是瞄准商业问题带有奖金的公开竞赛。如果有幸赢得比赛，不但可以获得奖金，模型也可能会被竞赛赞助商应用到商业实践中呢。
人才征募Recruitment的竞赛是赞助企业寻求数据科学家、算法设计人才的渠道。只允许个人参赛，不接受团队报名。
研究型Research竞赛通常是机器学习前沿技术或者公益性质的题目。竞赛奖励可能是现金，也有一部分以会议邀请、发表论文的形式奖励。
游乐场Playground里的题目以有趣为主，比如猫狗照片分类的问题。现在这个分类下的题目不算多，但是热度很高。
入门比赛Getting Started给萌新们一个试水的机会，没有奖金，但有非常多的前辈经验可供学习。很久以前Kaggle这个栏目名称是101的时候，比赛题目还很多，但是现在只保留了4个最经典的入门竞赛：手写数字识别、沉船事故幸存估计、脸部识别、Julia语言入门。
课业比赛In Class是学校教授机器学习的老师留作业的地方，这里的竞赛有些会向public开放参赛，也有些仅仅是学校内部教学使用。
除此以外，还有大师邀请赛Master、前沿探索型Kaggle Prospect等非公开的竞赛，这里不做介
Kaggle竞赛的排名机制
了解Kaggle的排名机制也会对取得好成绩有所帮助。在比赛结束之前，参赛者每天最多可以提交5次测试集的预测结果。每一次提交结果都会获得最新的临时排名成绩，直至比赛结束获得最终排名。在比赛过程中，Kaggle将参赛者每次提交的结果取出25%-33%，并依照准确率进行临时排名。在比赛结束时，参赛者可以指定几个已经提交的结果，Kaggle从中去除之前用于临时排名的部分，用剩余数据的准确率综合得到最终排名。所以，比赛过程中用于最终排名的那部分数据，参赛者是始终得不到关于准确率的反馈的。这样一定程度避免参赛模型的过拟合，保证评选出兼顾准确率和泛化能力的模型。二、数据Datasets版块
每一个竞赛题目都有一个数据入口，描述数据相关的信息，与主页上的Datasets选择一个数据其实指向同一个地方。在这里可以下载到提交结果的示范、测试集、训练集。Kaggle的数据以CSV格式最常见，提交的结果也要求是CSV格式。
三、代码Kernels
这是Kaggle最棒的功能！在这里可以看到其他参赛者自愿公开的模型代码，是学习和交流的最佳所在！当然这个版块取名为kernels，意味支持线上调试和运行你的代码，目前支持Python、R，当然也支持像numpy、pandas流行的数据分析库。对那些暂时缺少硬件资源的参赛者，相当于Kaggle提供了一个“云计算”平台不是吗？我在kernels里简单写了一个脚本查看kaggle提供的平台硬件信息：（是说内存有110+G多么？） 总之，可以作为一个备选的计算资源，毕竟一个竞赛的训练集都至少有几十M呢。
“竞赛”、“数据”、“代码”这三个版块的基本情况介绍完毕，后两个版块都是围绕“竞赛”设置的，每个版块都有内嵌的链接跳转到另外的版块，又都发展出独立的功能。快开始一个Kaggle比赛吧！
Kaggle竞赛获奖及取得名次难么？
Kaggle竞赛取得奖金乃至取得好的名次的难度都是非常高的，通常一个项目的参与人数都能达到数千人，而其中只有Top 1可以得到奖金，可以说是高手中的高手。通常来说，几个具有一定水平的业内人士在临时组队的情况下最多也就拿到20名左右的成绩，想要再往前冲往往都需要有一定程度的默契和合作经验了。
所以，对于以学习与实践为目的的小白选手来说，不要太在意排名，从参赛的过程中不断地提升自己才是最终的目的。当经过一次又一次的洗礼最终取得一个不错的成绩后，相信你也已经成长为可以在相关领域独当一面的人才了。
Kaggle竞赛的认可度高么？
Kaggle作为Data Science业内享有盛名的平台，在业界拥有极高的认可度。所以如果你是想寻找相关行业的工作，那一个漂亮的Kaggle profile将为你的简历增色不少。
Quora上的这个问题：How can we use Kaggle? （点击查看）就提到，把Kaggle的项目经验写在Linkedin上可以很直观的展现自己作为一个Data Scientist的能力。
国内亦有一些高级人才对Kaggle有很高的认知度，比如Edward.Fu - 知乎 一直在知乎各个和Kaggle相关的问题下留言寻觅Kaggle比赛经验丰富的人，表示常年有这方面的需求，说明国内对Kaggle的项目经验也是非常认可的。@Lau Phunter在Kaggle 的比赛在 Machine Learning 领域中属于什么地位？ 回答下面所说的：
写上参加过Kaggle比赛，我会看简历。
得过一次10%，我会给电话面试。
得过2次或者以上10%，我会给on site面试。
得过一次前10，我们会谈笑风生。
参加Kaggle是一种怎样的体验？
在调研的过程中我采访了几个Kaggler，将他们的亲身经验做了一下总结：
Kaggler A，NYC Data Science Academy team leader/ 美国数据电子交易公司CEO，多次参加Kaggle比赛：
参加此项目，你不可或缺的品质就是持续的热情和坚韧不拔的毅力，即使是像我这样的老司机，和另外两个专攻CS和统计方向的小伙伴组队，一个难度中等的项目做下来也要投入两周，每天工作10h以上。更别提那些有着强迫症，一遍遍修改方案，直至deadline的完美主义大牛了。我相信没有一支夺冠队伍是在提交方案后完全没改过的，顶尖高手的成功不仅是基于他们的专业素养，还有其背后我们看不到的勤奋。
Kaggler B，某知名大数据公司的数据分析师，在美国读统计研究生期间曾通过Kaggle项目提升自己数据操作技能：
我是统计本科申请一年半的统计Master，目前刚刚回国工作。在出国前对Kaggle也是闻所未闻，来到美国以后，在导师的引导下知道了Kaggle这个巨大的学习源，经常在上面学习。在我看来，Kaggle的背书还是非常有用的，排位前几十的都是大神级别，他们从来不需要找工作，都是工作来找他们。而对我们这样的小白，如果没有整块时间找实习或者没有找到合适的实习机会，利用闲暇时间做一些Kaggle项目，写在简历上也能算做一些项目经验，更容易得到面试；同时，在做项目的过程中，实实在在的Skills的提高也能让我们在求职时笔试的表现更好，获得更好的工作机会。
除此之外，知乎上面著名的“体验贴”也给出了很多第一手的体验：参加kaggle竞赛是怎样一种体验？ - 大数据 - 知乎。在这个问题下 Naiyan Wang 给出了一个非常详细的答案，同时答主也有一个很好的Profile，文中涉及Kaggle侧重的能力，比赛的要点，以及关键的技术，欢迎大家围观~
Kaggle的竞争非常激烈，正如OFuture T - 知乎 所说，很多时候Kaggle的排名即便是前50位流动性也很大，从前几名跌至几十名不过一两天的事，可想而知想要保住排位要在此付出多大的时间和精力，一次次的推翻自己，碾压别人，真是个磨人的小妖精。。。
Kaggle有什么意义？
- 从求职者的角度来看：
Kaggle提供了一个非常好的学习平台，在这里你可以接触到真正的业界案例，收获实际的项目经验，在每一个项目中不断挑战自己，甚至在Kaggle榜上占据一席之位，提高自己在业内的知名度，优秀的排位甚至可能带来的非常好的工作机会。同时，也可以认识一群志同道合的人，扩展自己的professional network，与业内最顶尖的高手互动，尤其是很多队伍在比赛结束后都会公开自己的解法，如果这个项目恰好你参与过，为之投入过无数个日日夜夜，此时就是不可多得的学习机会。
对于刚刚进入这个行业的菜鸟而言，参加Kaggle的项目是非常“长见识”的，可能初期的尝试会非常吃力，毕竟都是非常前沿的问题，但是如果能坚持完整的把一个项目做下来，且不说coding能力会有一个很大的提高，在实际案例中解决问题的能力也会得到极大的锻炼，为自己的职业生涯打下一个良好的基础。如果能在Kaggle这种高手云集的比赛中获得一个还不错的成绩，写在简历上足以打动你今后的Boss，跳槽就翻倍的高薪工作指日可待！值得一提的是，虽然是汇集精英的社区，Kaggle的论坛氛围很好，对新人非常友好，大家一定要多看Script多请教！
- 从留学申请者的角度来看：
对于申请Data Science相关专业的同学来讲，大数据的走红使得Data Science的申请竞争愈演愈烈，因此如何提升背景也是大家非常关心的问题。而Kaggle正好给大家提供了一个非常好的平台，在这里人人有参与项目的机会，无论你的背景是什么，都可以通过选择合适的项目来找到属于自己的位置，利用自己的专业优势，为整个team作出贡献，丰富简历的同时也能学习一些干货，为自己以后的学习打好基础。而其在领域内的知名度足以让你在众多申请者中脱颖而出，绝对是申请利器！
对于新人，如何在Kaggle中提升排位？
- 选择合适的队友：
由于Kaggle的项目是由公司提供的，涉及各个行业，所以一般都是不同背景的人组队参加（如统计、CS、DS，项目相关领域如生物等）。因此对于新手来讲，很重要的一点就是要抱好大腿，不仅可以蹭到好的排名，还有机会近距离向大牛学习，技能值必然嗖嗖涨。而自己可以从力所能及的工作做起，如清洗数据等等，积累项目经验。
- 选择“正确”的项目；
首先，选择数据量小的项目，这样不管使用什么算法都不会耗时太久，对机器性能要求也不高，出结果也比较快；其次，选择难度低奖金少的项目，一方面竞争小，另一方面也适合新手；最后，选择参与人数多的项目，毕竟有那么多“僵尸号”撑着。这样下来，基本上认认真真做下来排名都不会太难看。
- 选择恰当的工具：
我们都知道循序渐进的道理，因此对于刚刚涉猎Kaggle，只是希望从中学习，而不追求高排名的同学，可以先从学习Machine Learning中常用的模型开始，比如Logistic Regression和Random Forest，这两个模型对于大部分问题就够了；基础好的还可以学习一下Gradient Boosting，虽然难度高一点，但是可视化效果会好很多。
当然，说到底，想获得更好的名次，提高自己的Skills才是终极解决方案！
最后是彩蛋时间：
- Data Science专业群：
我们准备了Data Science相关的专业群，给准备留学申请DS专业的小伙伴一个聚集地。
群里的福利：
✦ Program信息
我们会帮助大家分析最新最热的DS Program申请信息，帮助大家选择最适合自己的项目。
✦ 神秘嘉宾分享
我们会邀请资深数据科学家作为嘉宾来跟大家进行语音分享，谈一谈有关于这个领域背景提升、申请和就业的一系列问题。
✦ 组队打怪
你可以找到志同道合的小伙伴，一起组团做project，互通有无share有用信息，在崎岖的申请路上互相取暖。
详细信息及报名方式查看这里：老师，我也想申请Data Science呢！
- 学习资源：
给大家汇总了一些超级良心的手把手教程，
在专栏中发表的文章— Kaggle 入门指南 ， 详细介绍了Kaggle项目的大致流程，包括Data Exploration, Statistical Test, Data Processing, Feature Engineering, Model Selection, Ensemble Generation每一步该怎么做，有哪些Tips，最后还给出了一个“Home Depot Search Relevance”的案例，拿到它就可以开始自己的Kaggle排位赛了！祝愿大家都能够成为一个优秀的Data Scientist！接下来是我整理的一些相关的学习资源，大家各取所需。
- 基础准备篇之Python
在线教育网站（Coursera网易云edx课堂腾讯课堂等）有哪些值得推荐的 Python 教程？
- 基础准备篇之R
业余时间如何学数据分析？ 如何高效地学好 R？ 好看的数据可视化的图片是怎么样做的？
- 基础准备篇之Machine Learning
机器学习该怎么入门？ 深度学习如何入门？ JustFollowUs/Machine-Learnin