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\framelove**
- 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!!
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。
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。
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4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。
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。
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。
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。
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。
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
时间段:2017-11-15 ~ 2017-11-30
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)
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)