# 如何開始使用Kaggle > 原文： [https://machinelearningmastery.com/get-started-with-kaggle/](https://machinelearningmastery.com/get-started-with-kaggle/) #### 入門和擅長 競爭機器學習的四步流程。 [Kaggle](https://www.kaggle.com/) 是一個托管機器學習競賽的社區和網站。 有競爭力的機器學習可以成為開發和練習技能的好方法，也可以展示您的能力。 在這篇文章中，您將發現一個簡單的4步驟過程，以便在Kaggle上進行有競爭力的機器學習。 讓我們開始吧。  如何開始使用Kaggle 照片由 [David Mulder](https://www.flickr.com/photos/113026679@N03/14207581423/) 拍攝，保留一些權利。 ## 關于Kaggle的建議？ 我通過電子郵件詢問了很多問題： > 我如何開始使用Kaggle？ 我對這個問題做了最后的回答，并決定把它變成這篇博文。我希望你發現它很有用。 希望對你有幫助。 ## 為什么Kaggle？ 有許多方法可以學習和練習應用機器學習。 Kaggle有一些特別的好處，你應該認真考慮： * 問題已明確定義，所有可用數據均直接提供。 * 考慮到公共和私人排行榜的嚴酷事實，用一個糟糕的測試設置來欺騙自己更難。 * 每個比賽都經常進行很好的討論和分享，您可以從中學習并為此做出貢獻。 * 您可以在可以展示您的技能的困難的真實世界數據集上構建項目組合。 * 這是一個完整的精英管理，提供能力和技能是決定因素，而不是你去學校的地方，你知道的數學，或你有多少學位。 ## 概觀 我推薦一個簡單的4步驟過程。步驟是： 1. 選擇一個平臺。 2. 練習標準數據集。 3. 練習舊的Kaggle問題。 4. 在Kaggle上競爭。 該過程易于描述，但難以實施。這需要時間和精力。這將是艱苦的工作。 但… 它會得到回報，如果你有條不紊并且堅持下去，你將成為世界級的機器學習從業者。 你可以直接進入第4步，這可能適合你，但我設計了這個過程，以最大限度地提高你堅持下去并獲得高于平均水平的結果。 讓我們更詳細地看一下每一步。 ## 1.選擇一個平臺 有許多機器學習平臺可供選擇，你最終可能會使用其中許多，但從一開始。 我推薦Python。 為什么？ * 對Python機器學習技能的需求正在增長。 * Python是一種功能齊全的編程語言（與R不同）。 * 生態系統已經足夠成熟（sklearn，pandas，statsmodels，xgboost等） * 該平臺擁有一些最好的深度學習工具（theano，tensorflow，keras） 選擇一個平臺并開始學習如何使用它。 這里有一些進一步的閱讀： * [Python是應用機器學習的增長平臺](http://machinelearningmastery.com/python-growing-platform-applied-machine-learning/) * [Python機器學習](http://machinelearningmastery.com/start-here/#python) ## 2.標準數據集的實踐 選擇平臺后，您需要非常擅長在真實數據集上使用它。 我建議在UCI機器學習庫或類似工具上完成一套標準的機器學習問題。 將每個數據集視為迷你競爭對手。 * 將其拆分為訓練并保留測試集，將測試集拆分為公共和私人排行榜集。 * 概述了處理每個數據集的過程，堅持下去，添加到該數據集，直到您可以輕松獲得要處理的任何小數據集的最佳結果。 * 將每個數據集的時間框設置為一個或幾個小時。 * 利用數據集上和與數據集相關的出版物來幫助更好地定義給定問題并解釋這些特征。 * 了解如何充分利用工具，算法以及數據集。 把這部分想象成演習。好起來 將項目作為項目組合的一部分，以利用您處理的每個新項目。 這里有一些進一步的閱讀： * [使用小型內存數據集練習機器學習](http://machinelearningmastery.com/practice-machine-learning-with-small-in-memory-datasets-from-the-uci-machine-learning-repository/) * [應用機器學習過程](http://machinelearningmastery.com/start-here/#process) ## 3.練習舊的Kaggle問題 現在您已經了解了工具以及如何使用它們，現在是時候練習舊的Kaggle數據集了。 您可以訪問過去Kaggle比賽的數據集。您還可以發布候選解決方案，并在公共和私人排行榜上對其進行評估。 我建議在過去的幾年中解決一系列Kaggle問題。 此步驟旨在幫助您了解最佳表現者如何處理競爭機器學習并學習如何將他們的方法集成到您的流程中。 * 選擇各種不同的問題類型，迫使您學習和應用新的和不同的技術。 * 研究論壇帖子，獲勝者寫作博客文章，GitHub存儲庫以及問題的所有其他信息，并將這些方法合并到您的流程中。 * 目標是在公共或私人排行榜中獲得前10％或更高的分數。 * 嘗試將盡可能多的獲勝者方法納入您的候選解決方案。 把它想象成先進的鉆頭。善于像競爭獲勝者一樣思考并使用他們的方法和工具。 再次，將每個已完成的項目添加到您的投資組合中，以利用未來的項 這里有一些進一步的閱讀： * [機器學習是討價還價的競賽](http://machinelearningmastery.com/machine-learning-is-kaggle-competitions/) * [發現Kaggle Master的方法論和心態：對Diogo Ferreira的采訪](http://machinelearningmastery.com/discover-the-methodology-and-mindset-of-a-kaggle-master-an-interview-with-diogo-ferreira/) ## 4.在Kaggle上競爭 你現在準備在Kaggle上競爭了。 得到它。 * 考慮一次處理一個問題，直到你出現問題或陷入困境。 * 旨在為您所處理的每個競賽在私人排行榜上取得前25％或前10％的成績。 * 在論壇上自由分享;這將導致合作。 * 最大限度地縮短閱讀或思考好主意與實施之間的時間（例如分鐘）。 玩得開心。 他們可能是比賽，但你參與學習和分享。 這里有一些進一步的閱讀： * [如何在競爭機器學習中踢屁](http://machinelearningmastery.com/how-to-kick-ass-in-competitive-machine-learning/) * [Master Kaggle一直競爭](http://machinelearningmastery.com/master-kaggle-by-competing-consistently/) ## 摘要 在這篇文章中，您發現了一個簡單的4步過程，用于開始并在Kaggle上進行有競爭力的機器學習。 你參加過Kaggle比賽嗎？ 你是怎么開始的？ 你決定按照這個過程嗎？ 你好嗎？