Kaggle学习资源与讨论论坛全解析

# Kaggle学习资源与讨论论坛全解析 ## 1. Kaggle Learn课程介绍 Kaggle提供了丰富的学习资源，其中Kaggle Learn课程是一大亮点。这些微课程被宣传为“获取独立进行数据科学项目所需技能的最快途径”，涵盖了各种主题的速成介绍。每门课程分为小章节，后面还有编码练习题，通过Notebooks进行教学，将必要的理论和讲解与需要自己编码实现的部分交织在一起。以下是一些最有用的课程： |课程名称|课程链接|课程简介| | ---- | ---- | ---- | |Intro to ML/Intermediate ML|[https://www.kaggle.com/learn/intro-to-machine-learning](https://www.kaggle.com/learn/intro-to-machine-learning) 和 [https://www.kaggle.com/learn/intermediate-machine-learning](https://www.kaggle.com/learn/intermediate-machine-learning)|这两门课程可视为一个系列。第一门介绍机器学习中使用的不同类型模型，接着讨论不同模型常见的主题，如欠拟合/过拟合或模型验证；第二门深入探讨特征工程，处理缺失值和分类变量，适合机器学习初学者。| |pandas|[https://www.kaggle.com/learn/pandas](https://www.kaggle.com/learn/pandas)|该课程对现代数据科学中最基本的工具之一进行速成介绍。先学习如何创建、读取和写入数据，然后进行数据清理（索引、选择、合并、分组等），对初学者和从业者都有用。| |Game AI|[https://www.kaggle.com/learn/intro-to-game-ai-and-reinforcement-learning](https://www.kaggle.com/learn/intro-to-game-ai-and-reinforcement-learning)|这门课程很好地总结了Kaggle学习模块中以技术为重点的部分。你将编写一个游戏代理，调整其性能，并使用极小极大算法，可看作是强化学习的实践导向介绍。| |Machine Learning Explainability|[https://www.kaggle.com/learn/machine-learning-explainability](https://www.kaggle.com/learn/machine-learning-explainability)|在现实世界中，并非每个人都是数据科学家，因此可能需要向他人解释自己的工作。这门迷你课程教你用三种不同方法评估特征的相关性：排列重要性、SHAP和部分依赖图，对在商业环境中从事机器学习工作的人非常有用。| |AI Ethics|[https://www.kaggle.com/learn/intro-to-ai-ethics](https://www.kaggle.com/learn/intro-to-ai-ethics)|该课程讨论了指导人工智能系统道德设计的实用工具。你将学习如何识别人工智能模型中的偏差，研究人工智能公平性的概念，并了解如何通过交流机器学习模型信息来提高透明度，对从业者很有用，因为“负责任的人工智能”将越来越受关注。| 除了Kaggle创建的原始内容，平台上还有用户创建的Notebooks提供其他学习机会，大家可以自行探索。 ## 2. Kaggle大师Andrada Olteanu的经验分享 Andrada Olteanu是Kaggle Notebooks大师，她鼓励从Notebooks中学习。她是Z by HP全球数据科学大使、Endava的数据科学家以及Weights & Biases的开发专家。以下是她的一些经验分享： ### 2.1 竞赛偏好与专长 她在Kaggle上的专长更倾向于数据可视化，因为这能将艺术和创造力与数据相结合。她没有特别喜欢的竞赛类型，而是会偶尔变换，选择自己感兴趣的竞赛。 ### 2.2 挑战竞赛经历 她认为最具挑战性的“竞赛”是“Kaggle数据科学和机器学习年度调查”。这虽然不是传统意义上有排行榜和大量机器学习的竞赛，但她从中收获颇丰。她连续两年参加，第一年挑战了她的基础可视化技能，促使她跳出常规思考，获得了第三名；第二年，她花了大约4个月学习D3，试图提升数据可视化技能，目前已获得“早期Notebook奖”。她给出的建议如下： - 不要迷失在数据中，尽量创建尽可能准确的图表；必要时建立双重验证方法，确保所展示的内容清晰简洁。 - 从周围寻找灵感，如自然、电影、工作等，为可视化增添精彩主题和有趣方式。 ### 2.3 Kaggle对职业生涯的帮助 Kaggle对她的职业生涯帮助巨大。通过Kaggle，她成为了Z by HP大使，发现了Weights & Biases这个优秀的机器学习实验平台并成为其开发专家，还通过该平台结识了Endava的首席数据科学家并被招募，目前一直在那