在學習了一些資料挖掘和機器學習的算法之後，需要積累實際開發經驗。在實踐的過程中不僅需要自己摸索，還需要向牛人學習和請教。Kaggle就提供這樣的資料平台，企業或者研究者可以将資料、問題描述、期望的名額釋出到Kaggle上，開發者其資料下載下傳到本地，分析，處理後将結果上傳，Kaggle将結果排名顯示，有的比賽設有資金。Kaggle還有活躍的讨論區，供大家交流。
如何使用Kaggle
我們先來看看，Kaggle的具體使用方法。在競賽界面中https://www.kaggle.com/competitions，可看到比賽分類：Getting Start，Playground，Featured，Research等（用不同顔色區分）．建議初學者從Getting Start級别開始，在這個級别上可以看到更多的教程和代碼分享，題目也比較簡單，适合入門．
competitions
以參賽隊最多的Tinanic沉船問題為例．https://www.kaggle.com/c/titanic．它的目标是預測乘客是否幸存．
Titanic
界面中提供了問題描述（Overview），資料下載下傳（Data），示例代碼（Kernels），讨論區（Discussion），排行榜（Leaderboard），和規則（Rules）．
資料一般是csv格式，它提供了含用條件和結果是訓練樣本（train.csv），隻有條件沒有結果的測試樣本（test.csv），開發者用訓練樣本訓練出模型，并對測試樣本進行預測，預測的結果根據格式要求（gender_submission.csv）儲存成檔案，上傳到Kaggle網站，網站給預測結果評分并排名。
Kernels中有開發者共享的解題思路和代碼，大多數是用Python或Ｒ語言實作的。
Kernels
例如Omar El Gabry的A Journey through Titanic就是一個很好教程，它包含了讀取資料，處理資料，導出結果的整個過程。用seaborn庫圖形化分析各個屬性（見下圖），使用sklearn庫作為資料挖掘工具。其中有對數值類屬性均值和标準差的計算，對枚舉類屬性的拆分/組合，處理各種缺失值，以及用人類常識調整特征，比如将父母兄弟配偶統一歸入家庭關系，将16歲以下的男女統一歸類為兒童等等，還計算了每個屬性和結果的相關系數，是一個非常好的特征工程入門範例。在算法方面，它使用了sklearn提供的邏輯回歸，SVM，随機森林，最近鄰，樸素貝葉斯等方法訓練。
seaborn
訓練之後開發者可通過Submit Predictions上傳自己的預測結果（注意Submit Predictions按鈕登入後才顯示），就可以看到排名了。
這裡提供了大量的資料，我們可以借此嘗試求解各種類型的問題，同時參考他人的經驗分享，快速提高實踐能力。當再拿到一份新資料時，至少有一個思路。
為什麼用Kaggle
在網上看過一篇文章，題目大概是《Kaggle對找工作有什麼好處》，其中的答案是“沒有”，因為初學者很難在Kaggle中拿到名次，參與程度可深可淺，無法通過它判斷你的水準。我覺得Kaggle不是一個貼标簽的東西，可以把它作為練習的場地，以及和高手學習機會。
我們之前看到的書基本都是一個算法，一個算法的講，當學習了一些算法之後，它們是零散的點，需要在用的過程中把這些點串起來，具體應用中有很多坑，需要自己踩一遍，和照着書打代碼是完全不同的，而Kaggle正好給我們提供了這樣的資料和評價體系。
有人說，那我也可以自己拿爬蟲抓資料啊，而且我可以找我更有興趣的資料來做．對于自己找的資料，當對預測結果滿意的時候，很難判斷到底是資料本身的資訊量不夠，還是算法不好．Kaggle上是很多人同時比賽，隻要拿自己的成績和Top1的比一比，就能判斷是什麼問題了，而且很多人會在Kernels中公布算法，在Discussion中讨論，我們也可以在其中提出自己的問題。最重要的是這個過程中，你和他們在思考同一個問題，這種學習即不是填壓式的，又可以給你引導。如果能夠做到排名靠前就更好了。
Kaggle遇到的問題
使用Kaggle中遇到的最大問題連不上外網，比如：注冊後，在郵箱中點選激活時，出現＂You did not enter the correct captcha response. Please try again＂，這是由于連接配接google失敗導緻的。不過隻有在注冊，下載下傳，上傳檔案時需要連接配接外網。
現在通路外網越來越難了，建議買一些收費的流量（注冊激活用不了一兩兆），有的工具第一次注冊會送你幾百兆流量．比較麻煩的是Kaggle的資料都是存在google storage上的，是以下資料時也要連外網．不過像上例中的純文字資料，也用不了幾百K.