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，但為什麼大家都選擇 kaggle 呢？或許是因為 kaggle 具有以下一些特定的優勢：
● 問題的定義明确，直接提供了可用的資料庫； ● 由于行業裡充斥着各種五花八門的排行榜，是以很難找到其他更客觀的機器學習測試平台； ● 通常每場比賽都會有許多讨論和分享，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資料問題，參賽者可以充分展示自己； ● 這是一個完全靠技術說話的平台，隻要你能解決問題，就能赢得尊重，跟學曆和學位無關。
這裡，我總結了入門 kaggle 競賽的四個簡單步驟：
1. 標明一個平台 2. 基于标準的資料庫練習 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，但實作起來很難。實作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，隻要你付出了努力，并且有條不紊地堅持下去，那麼總有一天你将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，那些入門級的使用者，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台也很多，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台，但剛開始你必須標明一個。
這裡，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 是一個全功能的程式設計語言； ● python 的生态系統已經基本成熟，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架構：theano，tensorflow，keras 等。
總之，你必須先標明一個平台，并開始學習如何使用它。
深入閱讀：
● python is the growing platform for applied machine learning
● python machine learning
標明了平台之後，下一步就是基于真實的資料庫展開實踐。
這裡我推薦通過 uci machine learning repository （uci 機器學習資源庫）來解決一些标準的機器學習問題。
需要強調的是：将每個資料集都視為一次小型的比賽。相關注意事項包括：
● 将資料集組織成一個隊列，并且保留測試集，将測試集分成一個公共和私人的排行榜； ● 概括每一個資料集的處理過程，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資料集的頂級結果； ● 對每一個資料集規定時間上線，例如必須在幾個小時内完成； ● 充分利用相關資料集的文檔資料，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、算法和資料集。
總之，你需要認真對待每一個資料集，通過處理各種不同的資料集積累經驗，并将這些經驗應用到處理新的資料集中。
● practice machine learning with small in-memory datasets
● applied machine learning 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。
你可以通路那些舊的 kaggle 比賽的資料集，并針對這些資料釋出自己的解決方案，然後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，然後将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； ● 研究論壇裡的文章、頂級選手的部落格、github 倉庫和所有其他的相關資料，學習别人的解決方案； ● 以進入公共或私人排行榜的前 10% 為奮鬥目标； ● 針對同一個資料集，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，将這些經驗應用到新資料集的進行中。
● 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：
● 一次隻處理一個問題，直到被卡住； ● 以進入每個問題的私人排行榜的前 25% 或前 10% 為奮鬥目标； ● 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/閱讀一個好主意和将之付諸實踐的時間（例如幾分鐘之内）；
最後需要強調的是，kaggle 雖然的确是一場比賽，但我們應該抱着學習和分享的态度去參賽。
● how to kick ass in competitive machine learning
● master kaggle by competing consistently
本文作者：恒亮