Go to file

jiangzhonglian 9ceb278dde Merge branch 'dev' of https://github.com/apachecn/kaggle		2018-08-21 09:33:10 +08:00
competitions	添加了: nlp-情感分析添加了 ipynb 咋乱全面的操作方式	2018-07-25 12:02:16 +08:00
docs	更新 kaggle-quickstart.md	2018-05-23 11:51:01 +08:00
src/python	添加：【推荐】特征工程全过程	2018-07-24 20:04:18 +08:00
static/images	更新 GitHub readme文档	2018-05-18 16:17:41 +08:00
LICENSE	Initial commit	2017-10-13 04:57:08 -05:00
README.md	Merge branch 'dev' of https://github.com/apachecn/kaggle	2018-08-21 09:33:10 +08:00

README.md

Kaggle

ApacheCN 组织资源: https://github.com/apachecn/home

欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远

ApacheCN - Kaggle组队群【686932392】
Kaggle 是一个流行的数据科学竞赛平台。
GitHub 入门操作指南和 Kaggle 入门操作指南，适合于学习过 MachineLearning(机器学习实战) 的小盆友
Kaggle 已被 Google 收购，请参阅《谷歌收购 Kaggle 为什么会震动三界（AI、机器学习、数据科学界）》

Note:

号外号外 kaggle组队开始啦
【Kaggle 入门篇】资源整理完毕，跟我们一起来学习吧！
关于 ApacheCN: 一边学习和整理，一边录制项目视频，希望能组建一个开源的公益团队对国内机器学习社区做一些贡献，同时也为装逼做准备!!

竞赛

【推荐】特征工程全过程: https://www.cnblogs.com/jasonfreak/p/5448385.html

train loss 与 test loss 结果分析

train loss 不断下降，test loss不断下降，说明网络仍在学习;
train loss 不断下降，test loss趋于不变，说明网络过拟合;
train loss 趋于不变，test loss不断下降，说明数据集100%有问题;
train loss 趋于不变，test loss趋于不变，说明学习遇到瓶颈，需要减小学习率或批量数目;
train loss 不断上升，test loss不断上升，说明网络结构设计不当，训练超参数设置不当，数据集经过清洗等问题。

机器学习比赛，奖金很高，业界承认分数。
现在我们已经准备好尝试 Kaggle 竞赛了，这些竞赛分成以下几个类别。

第1部分：课业比赛 InClass

课业比赛 InClass 是学校教授机器学习的老师留作业的地方，这里的竞赛有些会向public开放参赛，也有些仅仅是学校内部教学使用。

第2部分：入门比赛 Getting Started

入门比赛 Getting Started 给萌新们一个试水的机会，没有奖金，但有非常多的前辈经验可供学习。很久以前Kaggle这个栏目名称是101的时候，比赛题目还很多，但是现在只保留了9个最经典的入门竞赛：手写数字识别、沉船事故幸存估计、脸部识别、Julia语言入门。

第3部分：训练场 Playground

训练场 Playground里的题目以有趣为主，比如猫狗照片分类的问题。现在这个分类下的题目不算多，但是热度很高。

猫狗识别

第4部分：研究项目(少奖金) Research

研究型 Research 竞赛通常是机器学习前沿技术或者公益性质的题目。竞赛奖励可能是现金，也有一部分以会议邀请、发表论文的形式奖励。

第5部分：人才征募 Recruitment

人才征募 Recruitment 竞赛是赞助企业寻求数据科学家、算法设计人才的渠道。只允许个人参赛，不接受团队报名。

第6部分：大型组织比赛(大奖金) Featured

推荐比赛 Featured 是瞄准商业问题带有奖金的公开竞赛。如果有幸赢得比赛，不但可以获得奖金，模型也可能会被竞赛赞助商应用到商业实践中呢。

Mercari 价格推荐挑战

其他部分

数据集: 数据集，可直接用于机器学习。
核心思想: 在线编程。（猜测，基于 jupyter 实现）
论坛: 发帖回帖讨论的平台
招聘: 企业招聘数据科学家的位置

机器学习算法

常用算法选择

常用工具选择

解决问题的流程

链接场景和目标
链接评估准则
认识数据
数据预处理（清洗、调权）
特征工程
模型调参
模型状态分析
模型融合

数据预处理

数据清洗
- 去掉样本数据的异常数据。（比如连续型数据中的离群点）
- 去除缺失大量特征的数据
数据采样
- 下/上采样（假设正负样本比例1:100，把正样本的数量重复100次，这就叫上采样，也就是把比例小的样本放大。下采样同理，把比例大的数据抽取一部分，从而使比例变得接近于1；1）
- 保证样本均衡
工具 sql、pandas等

特征工程

特征处理

数值型：连续型数据离散化或者归一化、数据变化（log、指数、box-cox）
类别型：做编码，eg：one-hot编码，如果类别数据有缺失，把缺失也作为一个类别即可。
时间类：间隔化（距离某个节日多少天）、与其他特征（eg：次数）融合，变成一周登陆几次、离散化（eg：外卖，把时间分为【饭店、非饭店】）
文本类：N-gram、Bag-of-words、TF-IDF
统计型：与业务强关联
组合特征

活动时间

时间段：2017-11-15 ～ 2017-11-30

联系方式

项目负责人

@jiangzhonglian（片刻）

项目发起人

@jiangzhonglian（片刻）
@wangyangting（那伊抹微笑）
@chenyyx（瑶妹）

项目贡献者（请手动添加）

@jiangzhonglian（片刻）
@wangyangting（那伊抹微笑）
@chenyyx（瑶妹）
@zehuichen(loveSnowBest)
@谈笑风生（谈笑风生）
@诺木人（诺木人）

加入方式

有任何建议反馈, 或想参与文档翻译, 麻烦联系下面的企鹅

企鹅: 529815144(片刻) 1042658081(那伊抹微笑) 190442212(瑶妹)
ApacheCN - 学习机器学习群【629470233】
Kaggle (数据科学竞赛平台) | ApacheCN(apache中文网)

README.md Unescape Escape