0
日前，谷歌在 Google Cloud Next 云計算大會上宣布收購知名大數據競賽平臺 Kaggle。消息一出，震動了數據科學、AI、機器學習三界（詳見雷鋒網文章：谷歌收購 Kaggle 為什么會震動三界？）。相信經過這條新聞的曝光，未來會出現更多的開發者和從業人員加入 Kaggle 一展身手。為此，雷鋒網編譯了一篇國外大牛的博文，其中總結了入門 Kaggle 競賽的四個簡單步驟，希望對相關人員有所幫助。
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，開設了一個名為 Machine Learning Mastery 的網站，提供各種入門和高級的機器學習教程。
目前，開發者可以通過各種各樣的方式來學習和實踐機器學習技能，但為什么大家都選擇 Kaggle 呢？或許是因為 Kaggle 具有以下一些特定的優勢：
● 問題的定義明確，直接提供了可用的數據庫；
● 由于行業里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臺；
● 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，并參與分享；
● 通過解決現實生活中的某個特定數據問題，參賽者可以充分展示自己；
● 這是一個完全靠技術說話的平臺，只要你能解決問題，就能贏得尊重，跟學歷和學位無關。
這里，我總結了入門 Kaggle 競賽的四個簡單步驟：
1. 選定一個平臺
2. 基于標準的數據庫練習
3. 練習舊的 Kaggle 題目
4. 在 Kaggle 上比賽
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，并且有條不紊地堅持下去，那么總有一天你將成為一名世界級的機器學習從業者。
另外，對于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。但對于本文的主要讀者，那些入門級的用戶，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臺也很多，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臺，但剛開始你必須選定一個。
這里，我推薦大家以 Python 為起點。原因有以下幾條：
● 業界對基于 Python 的機器學習需求正在增長；
● 不像 R 語言，Python 是一個全功能的編程語言；
● 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。
總之，你必須先選定一個平臺，并開始學習如何使用它。
深入閱讀：
● Python is the Growing Platform for Applied Machine Learning
地址：http://machinelearningmastery.com/python-growing-platform-applied-machine-learning/
● Python Machine Learning
地址：http://machinelearningmastery.com/start-here/#python
選定了平臺之后，下一步就是基于真實的數據庫展開實踐。
這里我推薦通過 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：http://archive.ics.uci.edu/ml/index.html
需要強調的是：將每個數據集都視為一次小型的比賽。相關注意事項包括：
● 將數據集組織成一個隊列，并且保留測試集，將測試集分成一個公共和私人的排行榜；
● 概括每一個數據集的處理過程，堅持下去，并不斷修正這一過程，直到通過它你可以很容易地得到針對每一個小型數據集的頂級結果；
● 對每一個數據集規定時間上線，例如必須在幾個小時內完成；
● 充分利用相關數據集的文檔資料，以更好地定義既定問題和解釋特征。
● 學習如何充分利用好每一個工具、算法和數據集。
總之，你需要認真對待每一個數據集，通過處理各種不同的數據集積累經驗，并將這些經驗應用到處理新的數據集中。
深入閱讀：
● Practice Machine Learning with Small In-Memory Datasets
● Applied Machine Learning Process
http://machinelearningmastery.com/start-here/#process
經過以上兩步，現在你已經清楚地認識了自己的工具，并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 比賽的數據集，并針對這些數據發布自己的解決方案，然后在公共和私人的榜單上進行評估。
第三步的核心目的是：學習以往比賽中的頂級選手是如何處理競賽性的機器學習問題的，然后將他們的方法融入自己的解題思路之中。相關注意事項包括：
● 盡量選擇類型各不相同的問題，迫使自己學習和應用新的、與以往不同的技術；
● 研究論壇里的帖子、頂級選手的博客、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% 為奮斗目標；
● 針對同一個數據集，嘗試多個不同的獲獎者的解決方案。
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，并吸收他們的優點，進一步積累經驗，將這些經驗應用到新數據集的處理中。
深入閱讀：
● Machine Learning is Kaggle Competitions
http://machinelearningmastery.com/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：
● 一次只處理一個問題，直到被卡住；
● 以進入每個問題的私人排行榜的前 25% 或前 10% 為奮斗目標；
● 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/閱讀一個好主意和將之付諸實踐的時間（例如幾分鐘之內）；
最后需要強調的是，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。
深入閱讀：
● How to Kick Ass in Competitive Machine Learning
http://machinelearningmastery.com/how-to-kick-ass-in-competitive-machine-learning/
● Master Kaggle By Competing Consistently
http://machinelearningmastery.com/master-kaggle-by-competing-consistently/
來源：machinelearningmastery，雷鋒網編譯
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
