机器学习的所有资源链接和经验教训（十三）Kaggle

Kaggle

• 与Kaggle有点爱/恨的关系。我认为对于希望获得更多实践经验的机器学习初学者来说非常棒。我无法告诉你，通过Pandas加载数据的过程，使用Tensorflow / Scikit-Learn创建模型，训练模型以及进行微调以获得良好性能对我有多大帮助。看看你的模特之后如何与竞争对手相媲美也是一种很酷的感觉。
• 我不喜欢的Kaggle部分是需要多少功能工程才能真正进入排行榜的前10-15％。您必须真正致力于数据可视化和超参数调整。有些人可能会说这是数据科学家/机器学习工程师的关键部分，我同意这在现实世界的问题空间中很重要。我认为这里的要点是，如果你想要擅长Kaggle比赛，那就没有简单的道路了，你将不得不做很多练习（这不错！）。
• 如果您希望在Kaggle比赛中取得更好的成绩，我建议您阅读他们的博客。他们采访了很多竞赛获胜者，这将使您更好地了解获得良好表现所需的ML模型和管道类型。