Kaggle利于數(shù)據(jù)科學(xué)領(lǐng)域新手學(xué)習(xí)的幾點(diǎn)特征，并帶你學(xué)習(xí)ML相關(guān)知識(shí)

我經(jīng)常被朋友和大學(xué)生問(wèn)到“如何入門(mén)機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)”。

所以，這是我的答案……

前言

早些時(shí)候，我不太確定。我會(huì)說(shuō)類(lèi)似“學(xué)這門(mén)課”或“讀這本教程”或“先學(xué)Python（這是我做過(guò)的事情）”。但是現(xiàn)在，隨著我越來(lái)越深入這個(gè)領(lǐng)域，我開(kāi)始意識(shí)到我采取的措施的缺點(diǎn)。

所以，事后看來(lái)，我認(rèn)為“入門(mén)”機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)的最佳途徑可能是通過(guò)Kaggle。

在這篇文章中，我將告訴您為什么我這么認(rèn)為，以及 如果我的推理令您信服，您將如何做到這一點(diǎn)。

注意：我是一名學(xué)生。我不是專(zhuān)業(yè)的數(shù)據(jù)科學(xué)家或機(jī)器學(xué)習(xí)工程師。我絕對(duì)不是Kaggle的專(zhuān)家。所以，請(qǐng)有保留地采納我的意見(jiàn)和觀點(diǎn)。 :-)

但首先，請(qǐng)?jiān)试S我介紹一下Kaggle并澄清一些關(guān)于它的誤解。

你可能聽(tīng)說(shuō)過(guò)Kaggle作為一個(gè)網(wǎng)站，為機(jī)器學(xué)習(xí)比賽頒發(fā)令人難以置信的現(xiàn)金獎(jiǎng)勵(lì)。

Kaggle舉辦的比賽獲得最高獎(jiǎng)金

（是的，這些是百萬(wàn)美元以上的獎(jiǎng)金?。?/p>

正是這種名氣也引起了很多關(guān)于平臺(tái)的誤解，讓新手們?nèi)腴T(mén)比原來(lái)更加猶豫不決。

如果你之前從未聽(tīng)說(shuō)過(guò)Kaggle，也不要擔(dān)心，因此，不要在意下面提到的任何誤解。這篇文章仍然完全有道理。對(duì)待下一部分就當(dāng)我向你介紹Kaggle一樣。

誤解

1.“Kaggle是一個(gè)舉辦機(jī)器學(xué)習(xí)競(jìng)賽的網(wǎng)站”

這是對(duì)“Kaggle是什么”的不完整描述！我認(rèn)為競(jìng)賽（以及它們豐厚的現(xiàn)金獎(jiǎng)勵(lì)）并不是Kaggle的真諦?？纯此麄兙W(wǎng)站的標(biāo)題——

競(jìng)賽僅僅是Kaggle的一部分

除了舉辦競(jìng)賽，（它目前已經(jīng)舉辦過(guò)大概300場(chǎng)比賽），Kaggle還主持了3項(xiàng)非常重要的內(nèi)容：

Datasets

https://www.kaggle.com/datasets

即使是與任何競(jìng)賽都無(wú)關(guān)的那些：與僅僅300個(gè)競(jìng)賽（在撰寫(xiě)本文時(shí)）相比，它包含9500多個(gè)數(shù)據(jù)集。因此，您可以通過(guò)選擇任何您感興趣的數(shù)據(jù)集來(lái)提高您的技能。

我覺(jué)得最有趣的一些數(shù)據(jù)集

Kernels：

https://www.kaggle.com/kernels

它們只是Kaggle的Jupyter筆記本版本，反過(guò)來(lái)，它只是一種非常有效和酷炫的共享代碼方式，以及大量的可視化，輸出和解釋?！皟?nèi)核”選項(xiàng)卡將您帶到一個(gè)公共內(nèi)核列表，人們用它來(lái)展示一些新工具或分享他們對(duì)某些特定數(shù)據(jù)集的專(zhuān)業(yè)知識(shí)或見(jiàn)解。

Learn：

https://www.kaggle.com/learn/overview

此選項(xiàng)卡包含免費(fèi)且實(shí)用的實(shí)踐課程， 這些課程涵蓋了快速入門(mén)所需的最低前置課程。他們最好的地方是什么？——一切都是使用Kaggle的內(nèi)核完成的（如上所述）。這意味著您可以互動(dòng)和學(xué)習(xí)……通過(guò)數(shù)小時(shí)的學(xué)習(xí)材料不再被動(dòng)閱讀！

所有這些共同使Kaggle不僅僅是一個(gè)舉辦比賽的網(wǎng)站?，F(xiàn)在，它已成為一個(gè)完整的基于項(xiàng)目的數(shù)據(jù)科學(xué)學(xué)習(xí)環(huán)境。在本節(jié)之后，我將詳細(xì)討論Kaggle的這個(gè)方面。

2. “只有專(zhuān)家（具有多年經(jīng)驗(yàn)的博士或經(jīng)驗(yàn)豐富的機(jī)器學(xué)習(xí)從業(yè)者）才能參加并贏得Kaggle比賽”

如果您這么認(rèn)為，我懇請(qǐng)您閱讀下面這篇文章：

高中生自學(xué)成為AI大神——如果你深入到人工智能的世界，你肯定知道谷歌云擁有的平臺(tái)Kaggle：

https://mashable.com/2017/07/28/16-year-old-ai-genius/

覺(jué)得文章太長(zhǎng)不想看的，可以瀏覽下面的文章摘要：

一個(gè)高中的孩子僅因?yàn)楹闷娌⑼度氡荣惥停ɑ蛘卟荒敲春?jiǎn)單，或許？）成為了Kaggle比賽大神。用他自己的話說(shuō)：

“我不知道算法背后的所有數(shù)學(xué)原理，但就實(shí)際使用算法而言，我認(rèn)為對(duì)其運(yùn)作方式有一個(gè)合理的了解更為重要?！?/p>

3. “在參加Kaggle比賽之前，我應(yīng)該再參加一些課程并學(xué)習(xí)先進(jìn)的機(jī)器學(xué)習(xí)概念，這樣我的勝算更大”

機(jī)器學(xué)習(xí)中最重要的部分是探索數(shù)據(jù)分析（或EDA）和特征工程，而不是模型擬合。事實(shí)上，許多Kaggle大神認(rèn)為，新人會(huì)很快掉進(jìn)復(fù)雜的模型的坑里，而事實(shí)上簡(jiǎn)單的模型就可以讓你走得很遠(yuǎn)。

愛(ài)因斯坦曾經(jīng)說(shuō)過(guò)：

“任何一個(gè)有智力的笨蛋都可以把事情搞得更大，更復(fù)雜。往相反的方向前進(jìn)則需要天分，以及很大的勇氣?！?/p>

此外，許多挑戰(zhàn)都有結(jié)構(gòu)化數(shù)據(jù)，這意味著所有數(shù)據(jù)都存在于整齊的行和列中。沒(méi)有復(fù)雜的文本或圖像數(shù)據(jù)。因此，簡(jiǎn)單的算法（沒(méi)有花里胡哨的神經(jīng)網(wǎng)絡(luò)）通常是這種數(shù)據(jù)集的獲勝算法。在這種情況下，EDA可能是獲勝解決方案與其他解決方案的區(qū)別所在。

現(xiàn)在，讓我們繼續(xù)討論為什么你應(yīng)該使用Kaggle來(lái)入門(mén)機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)。

你為什么要從Kaggle開(kāi)始？

理由1：準(zhǔn)確了解入門(mén)必備內(nèi)容

關(guān)于Kaggle Learn的機(jī)器學(xué)習(xí)課程不會(huì)教你機(jī)器學(xué)習(xí)算法背后的理論和數(shù)學(xué)。相反，它專(zhuān)注于僅教授在分析和建模數(shù)據(jù)集時(shí)絕對(duì)必要的事物。類(lèi)似地，那里的Python課程不會(huì)讓你成為Python的專(zhuān)家，但它將確保你了解足夠知識(shí)以進(jìn)入下一個(gè)級(jí)別。

關(guān)于Kaggle Learn的機(jī)器學(xué)習(xí)課程：

https://www.kaggle.com/learn/machine-learning

Python課程：

https://www.kaggle.com/learn/python

這樣可以最大限度地減少您在被動(dòng)學(xué)習(xí)中花費(fèi)的時(shí)間，并確保您已準(zhǔn)備好盡快應(yīng)對(duì)有趣的挑戰(zhàn)。

理由2：體現(xiàn)了注重實(shí)踐的精神

我相信做項(xiàng)目是最有效的方式，完成一個(gè)項(xiàng)目，你就學(xué)會(huì)了整個(gè)過(guò)程。我的意思是說(shuō)，不是在你學(xué)到東西之后搜索相關(guān)的項(xiàng)目，而是從項(xiàng)目開(kāi)始并學(xué)習(xí)使項(xiàng)目變?yōu)楝F(xiàn)實(shí)所需的一切可能更好。

正如惠特尼約翰遜在Masters of Scale podcast中所說(shuō)：

“基本上，你，我，每個(gè)人，我們都想學(xué)習(xí)，跳躍，然后重復(fù)?！?/p>

Masters of Scale podcast：

https://mastersofscale.com/stacy-brown-philpot-keep-humans-in-the-equation/

我相信學(xué)習(xí)這種方式更令人興奮和有效。

幾周前我寫(xiě)了一篇關(guān)于上述方法的文章。名為——“零基礎(chǔ)如何（和為什么）開(kāi)始構(gòu)建有用的，現(xiàn)實(shí)世界的軟件”。所以，如果你沒(méi)有看過(guò)可以看一下：

https://medium.freecodecamp.org/how-and-why-to-start-building-useful-real-world-software-with-no-experience-46f265eaf38

我花了一番時(shí)間才承認(rèn)只讀一本書(shū)不是學(xué)習(xí)而是娛樂(lè)，我相信課程和教程也是如此

但是當(dāng)你沒(méi)有一個(gè)項(xiàng)目可以實(shí)踐一波時(shí)，這個(gè)想法完全沒(méi)用。做一個(gè)有趣的項(xiàng)目很難，因?yàn)椋?/p>

a. 很難找到一個(gè)有趣的想法

由于需要有合適的數(shù)據(jù)集，因此實(shí)現(xiàn)數(shù)據(jù)科學(xué)項(xiàng)目的想法似乎更加困難。

b. 我不知道該怎么處理我的知識(shí)中的漏洞

有時(shí)當(dāng)我開(kāi)始某個(gè)項(xiàng)目時(shí)，感覺(jué)就像有很多東西我仍然不知道。我覺(jué)得我甚至不知道學(xué)習(xí)前置課程去構(gòu)建這個(gè)東西的先決條件。我觸及到知識(shí)盲區(qū)了嗎？我如何去學(xué)習(xí)我不知道的東西？

那就是所有的動(dòng)力開(kāi)始消失的時(shí)候。

c. 我經(jīng)常被“卡住”

似乎在構(gòu)建過(guò)程中我在消除一個(gè)又一個(gè)路障。如果能有一群人一起學(xué)并知道如何解決這個(gè)問(wèn)題，那就太好了。

以下是Kaggle如何為所有問(wèn)題提供解決方案：

解決方案a：Datasets和Competitions：

https://www.kaggle.com/datasets

https://www.kaggle.com/competitions

大約有300個(gè)競(jìng)賽挑戰(zhàn)，全部附帶公共數(shù)據(jù)集，總共9500多個(gè)數(shù)據(jù)集（并且不斷增加）這個(gè)地方就像是數(shù)據(jù)科學(xué)/機(jī)器學(xué)習(xí)項(xiàng)目的創(chuàng)意寶庫(kù)。

解決方案b：Kernels和Learn：

https://www.kaggle.com/kernels

https://www.kaggle.com/learn/overview

讓我告訴你Kernels是如何使用的。

所有數(shù)據(jù)集都有一個(gè)公共的Kernels選項(xiàng)卡，人們可以在這里發(fā)布他們的分析，以造福整個(gè)社區(qū)。因此，只要您不知道下一步該做什么，您就可以通過(guò)查看這些Kernels帖子來(lái)獲得一些想法。此外，很多Kernels帖都是專(zhuān)為幫助初學(xué)者而編寫(xiě)的。

解決方案c：Kernels和Discussion：

https://www.kaggle.com/kernels

https://www.kaggle.com/discussion

除了我剛才描述的公共的Kernel之外，每個(gè)競(jìng)賽和每個(gè)數(shù)據(jù)集也都有自己的討論論壇。所以，你總能找個(gè)一個(gè)提問(wèn)的地方。

除此之外，在比賽期間，許多參與者撰寫(xiě)了有趣的問(wèn)題，凸顯了數(shù)據(jù)集的特征和怪癖，一些參與者甚至在論壇上發(fā)布了代碼性能良好的基準(zhǔn)。比賽結(jié)束后，獲獎(jiǎng)?wù)叻窒硭麄兊墨@獎(jiǎng)方案是很常見(jiàn)的。

就像下面這篇文章寫(xiě)的“向最好的學(xué)習(xí)”：

http://blog.kaggle.com/2014/08/01/learning-from-the-best/

理由3：解決真實(shí)問(wèn)題的真實(shí)數(shù)據(jù)=>真正的動(dòng)機(jī)

Kaggle上的挑戰(zhàn)是由為解決現(xiàn)實(shí)問(wèn)題的公司舉辦的。他們提供的數(shù)據(jù)集是真實(shí)的。所有獎(jiǎng)金都是真實(shí)的。這意味著您可以通過(guò)解決實(shí)際問(wèn)題來(lái)學(xué)習(xí)數(shù)據(jù)科學(xué)/機(jī)器學(xué)習(xí)并練習(xí)您的技能。

如果您以前嘗試過(guò)競(jìng)爭(zhēng)性編程，那么當(dāng)我說(shuō)這些網(wǎng)站上承載的問(wèn)題有時(shí)太不現(xiàn)實(shí)時(shí)，您可能會(huì)與我聯(lián)系。我的意思是為什么我要編寫(xiě)一個(gè)程序來(lái)找出數(shù)組中畢達(dá)哥拉斯三元組的數(shù)量？那要實(shí)現(xiàn)什么??？

我并不想斷言這些問(wèn)題很容易；我發(fā)現(xiàn)它們非常困難。我也沒(méi)想要降低托管此類(lèi)問(wèn)題的網(wǎng)站的重要性；它們是測(cè)試和改進(jìn)數(shù)據(jù)結(jié)構(gòu)和算法知識(shí)的好方法。

我只是說(shuō)這對(duì)我來(lái)說(shuō)太虛無(wú)縹緲了。當(dāng)您嘗試解決的問(wèn)題是真實(shí)的時(shí)，您將始終希望努力改進(jìn)您的解決方案。這將提供學(xué)習(xí)和成長(zhǎng)的動(dòng)力。這就是參加Kaggle挑戰(zhàn)所能獲得的。

爭(zhēng)論的另一面：“機(jī)器學(xué)習(xí)不是Kaggle競(jìng)賽”

我將不再提及本次辯論的另一面，它認(rèn)為機(jī)器學(xué)習(xí)不是Kaggle比賽，而且Kaggle比賽只代表了實(shí)際數(shù)據(jù)科學(xué)工作的“旅游觀光”。

好吧，也許這是真的。也許真正的數(shù)據(jù)科學(xué)工作與Kaggle競(jìng)賽中的方法不同。我沒(méi)有以專(zhuān)業(yè)的身份工作，所以我不知道如何評(píng)論。

但我所做的，很多時(shí)候，是使用教程和課程來(lái)學(xué)習(xí)一些東西。每一次，我覺(jué)得教程/課程與學(xué)習(xí)動(dòng)機(jī)之間存在脫節(jié)。我會(huì)學(xué)到一些東西，因?yàn)樗诮坛?課程中存在，并希望它可以在一些遙遠(yuǎn)的，神秘的未來(lái)中使用。

另一方面，當(dāng)我正在進(jìn)行Kaggle挑戰(zhàn)時(shí)，我確實(shí)需要不斷學(xué)習(xí)。曾經(jīng)有一個(gè)階段，我會(huì)立即應(yīng)用我學(xué)到的東西，看看它的效果。這給了我學(xué)習(xí)所有知識(shí)的動(dòng)力和凝聚力。

如何開(kāi)始？

Kaggle擁有所有那些有野心的現(xiàn)實(shí)世界的問(wèn)題有一個(gè)缺點(diǎn)，它可能是初學(xué)者進(jìn)入的一個(gè)令人生畏的地方。我理解這種感覺(jué)，因?yàn)槲易罱_(kāi)始在Kaggle上入門(mén)。但是，一旦我克服了最初的障礙，我對(duì)它的社區(qū)以及它給我的學(xué)習(xí)機(jī)會(huì)感到非常景仰。

所以，在這里我試著說(shuō)明如何開(kāi)始：

第1步：掌握必要的基礎(chǔ)知識(shí)

選擇一種語(yǔ)言：Python或R語(yǔ)言。

完成后，請(qǐng)前往Kaggle Learn快速了解該語(yǔ)言的基礎(chǔ)知識(shí)，機(jī)器學(xué)習(xí)和數(shù)據(jù)可視化技術(shù)。

Kaggle Learn：

https://www.kaggle.com/learn/overview

關(guān)于Kaggle Learn的課程

第2步：找到一個(gè)有趣的挑戰(zhàn)/數(shù)據(jù)集

我建議您在開(kāi)始時(shí)選擇一個(gè)playground比賽或一個(gè)比較受歡迎的比賽。通過(guò)這種方式，您可以確保找到至少一些旨在幫助新手的公共Kernel帖子。

記住你的目標(biāo)不是贏得比賽。它是學(xué)習(xí)和提高您的數(shù)據(jù)科學(xué)/機(jī)器學(xué)習(xí)的知識(shí)。

如果您仍不確定，請(qǐng)任選其中一個(gè)

第3步：探索公共內(nèi)核

它們將幫助您了解該領(lǐng)域的一般工作流程以及其他人為此競(jìng)賽所采取的特定方法。

通常，這些內(nèi)核會(huì)告訴您機(jī)器學(xué)習(xí)/數(shù)據(jù)科學(xué)中您不知道的內(nèi)容。當(dāng)你遇到一個(gè)不熟悉的術(shù)語(yǔ)時(shí)，不要感到沮喪。

了解您需要知道的是知識(shí)的第一步。

它們只是您需要學(xué)習(xí)以幫助您成長(zhǎng)的東西。但在你這樣做之前……

第4步：開(kāi)發(fā)自己的Kernel

繼續(xù)自己的分析工作。利用您當(dāng)前的知識(shí)盡可能多地構(gòu)建。將你在先前步驟中學(xué)到的所有內(nèi)容應(yīng)用到你自己的Kernel中。

第5步：了解您的需求并返回第4步

現(xiàn)在，你學(xué)習(xí)了。有時(shí)，它只是一篇短文，而在其他時(shí)候它可能是一個(gè)干貨滿滿的教程/課程。請(qǐng)記住，您需要回到第3步并使用您在Kernel中學(xué)到的知識(shí)。這樣您就可以創(chuàng)建所需的循環(huán)——“學(xué)習(xí)，跨越和重復(fù)”！

第6步：返回第3步以完善分析

一旦構(gòu)建了完整的預(yù)測(cè)模型，就可以實(shí)現(xiàn)此步驟。所以，祝賀你！

現(xiàn)在您可能希望完善分析。要做到這一點(diǎn)，你可以回到第3步，看看其他人做了什么。這可以為您提供有關(guān)改進(jìn)模型的想法?；蛘撸绻阌X(jué)得你已經(jīng)嘗試了所有東西，但碰壁了，那么在論壇上尋求幫助可能會(huì)有所幫助。

這是一個(gè)討論的例子

https://www.kaggle.com/c/amazon-employee-access-challenge/discussion/4838

棒！

現(xiàn)在去做更多挑戰(zhàn)，分析更多數(shù)據(jù)集，學(xué)習(xí)更新的東西！

與其他資源的鏈接

1. 學(xué)習(xí)Python

Python已經(jīng)變得非常受歡迎。這意味著有大量?jī)?yōu)秀的指南和教程可以幫助您開(kāi)始使用該語(yǔ)言。這是我第一次學(xué)習(xí)Python時(shí)使用的兩種資源：

Python3教程

https://www.python-course.eu/python3_interactive.php

從O'Reilly學(xué)習(xí)Python

http://shop.oreilly.com/product/0636920028154.do

顯然，這些并沒(méi)有為學(xué)習(xí)Python提供明確的資源列表，但這些是我入門(mén)時(shí)最適合我的資源。

2. 機(jī)器學(xué)習(xí)文章

在深入了解某個(gè)領(lǐng)域之前，您可能想知道它是什么。所以，這里有一些文章對(duì)機(jī)器學(xué)習(xí)進(jìn)行了有趣的介紹：

EliteDataScience上的“如何學(xué)習(xí)機(jī)器學(xué)習(xí)之自學(xué)入門(mén)”一篇寫(xiě)得很好的文章，在介紹機(jī)器學(xué)習(xí)方面做得很好，甚至還開(kāi)設(shè)了自學(xué)課程！

https://elitedatascience.com/learn-machine-learning

Vishal Maini的“人類(lèi)學(xué)習(xí)機(jī)器學(xué)習(xí)指南”本指南旨在供任何人使用。將討論概率、統(tǒng)計(jì)、編程、線性代數(shù)和微積分的基本概念，從本系列獲得干貨無(wú)需預(yù)備知識(shí)?！?/p>

https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12

Vishal Maini的“最佳機(jī)器學(xué)習(xí)資源”本文是上述系列的一部分。我單獨(dú)提到它是因?yàn)樗幸惶着c機(jī)器學(xué)習(xí)相關(guān)的非常好非常全面的鏈接。

https://medium.com/machine-learning-for-humans/how-to-learn-machine-learning-24d53bb64aa1

Adam Geitgey的“機(jī)器學(xué)習(xí)很有趣”閱讀本系列文章，了解機(jī)器學(xué)習(xí)的優(yōu)點(diǎn)。雖然這篇比較高深，但它可以作為了解該領(lǐng)域的更多動(dòng)力。

https://medium.com/@ageitgey

3. 數(shù)據(jù)科學(xué)博客

以下是一些與數(shù)據(jù)科學(xué)相關(guān)的好博客，您可以查看：

方差解釋

http://varianceexplained.org/

成為一名數(shù)據(jù)科學(xué)家

https://www.becomingadatascientist.com

Mark Meloon

https://www.markmeloon.com/

Julia Silge

https://juliasilge.com/blog/

好吧那么。謝謝你的閱讀。我希望這對(duì)你有所幫助。

我真的相信通過(guò)做項(xiàng)目來(lái)學(xué)習(xí)是一種非常有益的體驗(yàn)，但這很難。Kaggle讓你輕松自如。Kaggle競(jìng)賽負(fù)責(zé)提出任務(wù)，為您獲取數(shù)據(jù)，將其清理成一些可用的形式，并有一個(gè)預(yù)先定義的指標(biāo)來(lái)優(yōu)化。

但正如其他人所指出的那樣，這是數(shù)據(jù)科學(xué)家80％的工作。所以，雖然Kaggle是一個(gè)開(kāi)始你旅程的好工具，但僅僅把你帶到最后是不夠的。您需要在數(shù)據(jù)科學(xué)產(chǎn)品組合中展示其他內(nèi)容。

如何構(gòu)建數(shù)據(jù)科學(xué)產(chǎn)品組合：

https://towardsdatascience.com/how-to-build-a-data-science-portfolio-5f566517c79c

因此，我正在嘗試創(chuàng)建一個(gè)社區(qū)——Build to Learn。在這里，人們可以分享他們的項(xiàng)目想法（歡迎稀奇古怪的想法！）或?qū)ぞ叩目释?，并在其他成員的幫助下構(gòu)建它們。它是由Web開(kāi)發(fā)人員，移動(dòng)應(yīng)用程序開(kāi)發(fā)人員和機(jī)器學(xué)習(xí)工程師組成的社區(qū)。因此，無(wú)論您的想法或問(wèn)題屬于哪個(gè)領(lǐng)域，您都可以期待與其他成員一起獲得至少一些幫助。

如果你想做一些有趣的輔助項(xiàng)目，但似乎無(wú)法得到一個(gè)有趣的想法，或者你有一個(gè)想法，但不知道從哪里開(kāi)始，或者你只是被困在當(dāng)前項(xiàng)目的某個(gè)地方，這種社區(qū)可能正是你所需要的。如果您覺(jué)得這很有趣，可以點(diǎn)擊下方鏈接加入Slack。

Slack：

https://join.slack.com/t/build-to-learn/shared_invite/enQtMzg3MzYyNTA5MjAzLWU4M2RkOGY3OWE1OTE5NTIzMGQ5MzZhMmZmOWQyZDVhNWVkMmRjODc3ZWM5ZDA5MDM3YzRiZDM4YTczYTNmMDk

請(qǐng)?jiān)谙旅娴脑u(píng)論部分告訴我您的想法。您也可以在Twitter或LinkedIn上與我聯(lián)系。你可以給我發(fā)一封電子郵nityeshagarwal@gmail.com。另外，你可以在Twitter上關(guān)注我；我不會(huì)發(fā)垃圾消息噠;-)

Twitter：

https://twitter.com/nityeshaga

LinkedIn：

https://www.linkedin.com/in/nityeshaga/

最初發(fā)表在Zeolearn博客上：

https://www.zeolearn.com/magazine/using-kaggle-to-guide-your-learning-why-and-how-should-you-start