原文作者 jason brownlee，機器學習專家，開發者，作家，企業家，曾在美國國防部門、初創企業和極端天氣預報機構從事機器學習的相關開發工作多年。目前為了幫助機器學習領域更多的開發者，開設了乙個名為 machine learning mastery 的**，提供各種入門和高階的機器學習教程。
● 問題的定義明確，直接提供了可用的資料庫；這裡，我總結了入門 kaggle 競賽的四個簡單步驟：● 由於行業裡充斥著各種五花八門的排行榜，因此很難找到其他更客觀的機器學習測試平台；
● 通常每場比賽都會有許多討論和分享，參賽者可以從中學習，並參與分享；
● 通過解決現實生活中的某個特定資料問題，參賽者可以充分展示自己；
● 這是乙個完全靠技術說話的平台，只要你能解決問題，就能贏得尊重，跟學歷和學位無關。
1. 選定乙個平台就像這世上的許多事，簡單地寫出這四個步驟當然很容易，但實現起來很難。實現它們需要付出非凡的時間和精力，無疑會是一項艱苦的工作。當然，天道酬勤，只要你付出了努力，並且有條不紊地堅持下去，那麼總有一天你將成為一名世界級的機器學習從業者。2. 基於標準的資料庫練習
3. 練習舊的 kaggle 題目
4. 在 kaggle 上比賽
另外，對於那些已經具備一些開發經驗的讀者，你可以直接跳到第四步開始比賽。但對於本文的主要讀者，那些入門級的使用者，我還是建議從第一步開始。
下面我們具體看看這四個步驟。
同樣，擺在開發者面前的可選平台也很多，可能最終你會發現初期的選擇糾結是沒有必要的，因為每個開發者實際上都同時使用許多平台，但剛開始你必須選定乙個。
● 業界對基於 python 的機器學習需求正在增長；總之，你必須先選定乙個平台，並開始學習如何使用它。● 不像 r 語言，python 是乙個全功能的程式語言；
● python 的生態系統已經基本成熟，可選的工具包非常豐富，例如 sklearn，pandas，statsmodels，xgboost 等；
● python 具有一些非常好的深度學習框架：theano，tensorflow，keras 等。
深入閱讀：
● python machine learning
選定了平台之後，下一步就是基於真實的資料庫展開實踐。
這裡我推薦通過 uci machine learning repository （uci 機器學習資源庫）來解決一些標準的機器學習問題。
uci 官網：
● 將資料集組織成乙個佇列，並且保留測試集，將測試集分成乙個公共和私人的排行榜；總之，你需要認真對待每乙個資料集，通過處理各種不同的資料集積累經驗，並將這些經驗應用到處理新的資料集中。● 概括每乙個資料集的處理過程，堅持下去，並不斷修正這一過程，直到通過它你可以很容易地得到針對每乙個小型資料集的頂級結果；
● 對每乙個資料集規定時間上線，例如必須在幾個小時內完成；
● 充分利用相關資料集的文件資料，以更好地定義既定問題和解釋特徵。
● 學習如何充分利用好每乙個工具、演算法和資料集。
深入閱讀：
經過以上兩步，現在你已經清楚地認識了自己的工具，並懂得如何去使用它們，是時候練習一些舊的 kaggle 題目了。
你可以訪問那些舊的 kaggle 比賽的資料集，並針對這些資料發布自己的解決方案，然後在公共和私人的榜單上進行評估。
● 盡量選擇型別各不相同的問題，迫使自己學習和應用新的、與以往不同的技術；總之，你需要認真學習以往的優秀參賽者的解決方案和工具，並吸收他們的優點，進一步積累經驗，將這些經驗應用到新資料集的處理中。● 研究論壇裡的帖子、頂級選手的部落格、github 倉庫和所有其他的相關資料，學習別人的解決方案；
● 以進入公共或私人排行榜的前 10% 為奮鬥目標；
● 針對同乙個資料集，嘗試多個不同的獲獎者的解決方案。
深入閱讀：
● machine learning is kaggle competitions
● discover the methodology and mindset of a kaggle master: an interview with diogo ferreira
現在，你已經可以正式參加 kaggle 比賽了。
下面是一些參賽的注意事項：
● 一次只處理乙個問題，直到被卡住；最後需要強調的是，kaggle 雖然的確是一場比賽，但我們應該抱著學習和分享的態度去參賽。● 以進入每個問題的私人排行榜的前 25% 或前 10% 為奮鬥目標；
● 嘗試在論壇上自由分享，這會引發良性的互動和協作；
● 最大限度地縮短思考/閱讀乙個好主意和將之付諸實踐的時間（例如幾分鐘之內）；
深入閱讀：
● how to kick ass in competitive machine learning
● master kaggle by competing consistently
天池大資料競賽 UI特徵統計
明明是移動推薦演算法，非要搞成二分類問題。機器學習什麼的不太懂，什麼訓練集測試集驗證集，什麼交叉驗證，什麼lr svm，什麼weka之類的，不管了。大神學姐說主要還是在找特徵，模型什麼的不是很重要。我這邊著的主要是u i關係的一些比率特徵 1.購買該品牌次數 總購買次數 2.使用者對a的行為次數 使...
競賽拙見 2 高精度運算 大資料加法
在競賽題中，求兩位數的和看似非常簡單，但是當我們興致勃勃地把自己不經過大腦思考就寫出的 提交上去的時候竟發現乙個測試點都沒有通過。問題到底出現在 呢？這就涉及到了高精度運算的問題。通常我們知道，類似int double這樣的資料型別都有各自的精度範圍，但是當我們計算乙個特別大的資料的時候往往都會超出...
第一次天池大資料,廣東客流競賽
排名 168，成績72.93 第一名82.9 訓練資料 1 得到資料後匯入資料庫 2 統計資料中各個時段和各個線路的count數目 資料由一千萬變為一萬以內 3 統計6 21時的資料 資料條目再次降到5000左右 天氣資料 4 表中的年月日進行字元規整 替換成同一模式 為了和訓練資料表結合 5 天氣...