转载一篇关于Kaggle的入门文章，技术体系上涉及全面，值得一读。文章来源：公众号 一点半克
前言
分享小组良好的执行了一年多些，但因为特定原因也消停沉寂了一段时间，能够重新再起航，是一种不错的感觉，希望后续我们能够保持的更好，更聚焦的更系统的做一些技术和生活感悟上的分享，希望能有更多的人的支持和加入！
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。它吸引了大量数据科学家、机器学习开发者的参与，为各类现实中的商业难题开发基于数据的算法解决方案。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。
Kaggle社区在圈内极受欢迎：用户基数大、粘性强。Kaggle是当今最大的数据科学家、机器学习开发者社区，其行业地位独一无二。github之于程序员，就如Kaggle之于数据科学家。
打开Kaggle的网站注册成功后，映入眼帘的是如下的首页：
风格必然是典型欧美风。多少会让我这种新手不知所措，所以，接下来我们要讲讲，零基础的人如何上手Kaggle。
零基础的人如何上手Kaggle？
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。> 如果从未独立做过一个项目，会更建议从练习赛开始熟悉,感兴趣的同学先去独立做一下入门题目和playground的训练赛。> 此外，如果基础为0的同学，是可以从learning开始。有很多迷你课程，方便普及和快速了解多方面知识
学习Kaggle有什么意义？
更好的提升自己知识体系的方式？没有比做题目和其他人一起竞赛更能挖掘自己的潜力，提升自己的战斗力了。
证明自己的机会？排名靠前的都是大神，如果你感觉自己是一个天赋异禀的孩子，那就该让自己冲到最前面？
找工作的好背书，kaggle在数据科学领域享有盛名，所有，数据工程师或者数据科学家自然会非常看重kaggle的排名和分数。
纯粹是有趣，你总要找点乐子，不是吗？
对于新人，如何在Kaggle中提升排位？
选择合适的队友--->最好有大神带路
选择合适的题目--->数据量较小的题目
选择恰当的工具--->从学习Machine Learning中常用的模型开始
新手课程演示
基本上每一个课程主题都是先讲解，然后是习题课，根据讲解的函数使用方法来线上执行，分析执行的结果。这有点是各种版本的hello-world，但都非常实用。
如何使用python中非常强大的Pandas
红框是你自己要输入的代码，左侧三角形是运行按钮，下面的是输出结果。可以实时看到，语法错误也会得到相应提示。
关于pandas和scikit-learn
有一个micro learning就是专门介绍Pandas，作为python机器学习最重要的几个数据处理库，非常重要和关键。sklearn是一个机器学习库，把一些常用的传统机器学习实现封装到了库中，方便直接使用。
Pandas是Python第三方库，提供高性能易用数据类型和分析工具，Pandas基于NumPy实现，常与NumPy和Matplotlib一同使用。共有两个数据类型：Series,DataFrame
机器学习的思维导
sklearn库的汇总
sklearn库的结构
可以看到库的算法主要有四类：分类，回归，聚类，降维
常用的回归：线性、决策树、SVM、KNN ；集成回归：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
常用的分类：线性、决策树、SVM、KNN，朴素贝叶斯；集成分类：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
常用聚类：k均值（K-means）、层次聚类（Hierarchical clustering）、DBSCAN
常用降维：LinearDiscriminantAnalysis、PCA
解决问题的流程
链接场景和目标
链接评估准则
认识数据，熟悉场景
数据预处理（清洗、调权）借助python语言特性可以尽量优化简化这里的时间耗费
特征工程，找到了一个不错的思维导图（下方）
模型调参
型状态分析
模型融合
最后的最后
作为一个新手，整理这些Kaggle的介绍，也让我更加沉迷这个平台和工具，就像是github提供了我们无穷尽的思路和技巧，我相信如果想试着去学习好机器学习，做一个不错的数据科学家，那么kaggle就是最棒的导师，一起努力！
