官网：https://www.kaggle.com/
也可以看看：https://zhuanlan.zhihu.com/p/25686876
Kaggle入门
什么是Kaggle？
Kaggle成立于2010年，是一个进行数据发掘和预测竞赛的在线平台。从公司的角度来讲，可以提供一些数据，进而提出一个实际需要解决的问题；从参赛者的角度来讲，他们将组队参与项目，针对其中一个问题提出解决方案，最终由公司选出的最佳方案可以获得5K-10K美金的奖金。
除此之外，Kaggle官方每年还会举办一次大规模的竞赛，奖金高达一百万美金，吸引了广大的数据科学爱好者参与其中。从某种角度来讲，大家可以把它理解为一个众包平台，类似国内的猪八戒。但是不同于传统的低层次劳动力需求，Kaggle一直致力于解决业界难题，因此也创造了一种全新的劳动力市场——不再以学历和工作经验作为唯一的人才评判标准，而是着眼于个人技能，为顶尖人才和公司之间搭建了一座桥梁。
Kaggle的竞赛模式是什么样的？
Kaggle上的竞赛有各种分类，例如奖金极高竞争激烈的的 “Featured”，相对平民化的 “Research”等等。但他们整体的项目模式是一样的，就是通过出题方给予的训练集建立模型，再利用测试集算出结果用来评比。同时，每个进行中的竞赛项目都会显示剩余时间、参与的队伍数量以及奖金金额，并且还会实时更新选手排位。在截止日期之前，所有队伍都可以自由加入竞赛，或者对已经提交的方案进行完善，因此排名也会不断变动，不到最后一刻谁都不知道花落谁家。
由于这类问题并没有标准答案，只有无限逼近最优解，所以这样的模式可以激励参与者提出更好的方案，甚至推动整个行业的发展。Kaggle竞赛另一个有趣的地方在于每个人都有自己的Profile，上面会显示所有自己参与过的项目、活跃度、实时排位、历史最佳排位等，不仅看上去非常有成就感，更能在求职和申请的时候起到Certificate的作用。
Kaggle参赛者的背景大多是什么样的？
从比赛目标出发，参赛者主要分为两种，一种是以奖金和排名为目的，包括靠奖金为生的职业Kaggler；另外一种就是以提升相关skills和背景为目的业余爱好者甚至在校学生了。
从背景来看，前者的来源主要有丰富data science、data mining、machine learning工作经验的业内人士，或者是实力强劲的民间“技术宅”；而后者则往往是一些有一定技术能力，但经验欠缺，从中进行学习和锻炼的“长江后浪”。
0基础的人如何上手Kaggle？
理论上来讲，Kaggle欢迎任何数据科学的爱好者，不过实际上，要想真的参与其中，还是有一定门槛的。一般来讲，参赛者最好具有统计、计算机或数学相关背景，有一定的coding技能，对机器学习和深度学习有基本的了解。Kaggle任务虽然不限制编程语言，但绝大多数队伍会选用Python和R，所以你应该至少熟悉其中一种。此外，对于那些对成绩有追求的人，Feature Engineering也是必不可少的。但对于Data Science的入门者来说，这样的要求实在是有些过分了。对于这一块想要进一步了解的同学可以看这个问题：特征工程到底是什么？其中@城东 的答案（点这里）和@张戎 的答案（点这里）都非常详细。
当然，如果你从未独立做过一个项目，还是要从练习赛开始熟悉。因为竞赛模式中的任务是公司悬赏发布的实际案例，并没有标准的答案；而练习赛不仅项目难度低，而且是有官方给出的参考方案的，大家可以用来对比改善自己的测试结果，从中进行提高。所以呢，建议感兴趣的同学先去独立做一下101和playground的训练赛，至于做多少个案例才能上道，就要看个人素质啦。这里为大家推荐几篇非常好的文章，里面手把手的教了大家入门级的三个经典练习项目，供大家学习。
1. Titanic（泰坦尼克之灾）
中文教程： 逻辑回归应用之Kaggle泰坦尼克之灾 英文教程：An Interactive Data Science Tutorial
2. House Prices: Advanced Regression Techniques（房价预测）
中文教程：Kaggle竞赛 — 2017年房价预测 英文教程：How to get to TOP 25% with Simple Model using sklearn
3. Digital Recognition（数字识别）
中文教程：大数据竞赛平台—Kaggle 入门 英文教程：Interactive Intro to Dimensionality Reduction
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！
- 学习资源：
给大家汇总了一些超级良心的手把手教程，@Wille 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！
- 基础准备篇之Python
怎么用最短时间高效而踏实地学习 Python？
你是如何自学 Python 的？
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-Learning
- 基础准备篇之Kaggle Experience
从Python菜鸟到Python Kaggler的过程：
Python机器学习实践与Kaggle实战
经常更新的的大数据博客
TO最爱学习的你：国外大数据博客资源大全 | 36大数据
How to start doing Kaggle competitions？
What do top Kaggle competitors focus on?
A Journey Into Data Science
Techniques to improve the accuracy of your Predictive Models
资源
- https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650729193&idx=3&sn=5f251a5861eb891df377d9bc41b4d468&chksm=871b2e97b06ca7816f32fcfd915d7727adbbbe04958e37fb83b2919d968601a76f6a232178d7&mpshare=1&scene=1&srcid=0725ukFZcMPxmShvASI7pO85&key=238113c46368d35b4cb36628d833700b78b0b433f41770288605952e5d27089f0196d712ffa19a4be533c674f885f8e13ebc626d63cdfe5eec63674231821e316a65ebb378aedc57da0310ca7e24c040&ascene=0&uin=NTU2ODc3MDk1&devicetype=iMac+MacBookPro12%2C1+OSX+OSX+10.10.5+build(14F2411)&version=12020110&nettype=WIFI&fontScale=100&pass_ticket=eTbnrK692ajIv6Or%2BfDxGsLYF%2B0aAxT4Yo1aLYu5M7%2F3Iy%2FkQ6osDRTfEOXy13V7
- https://zhuanlan.zhihu.com/p/26309073
- https://www.zhihu.com/question/26983654/answer/35099670