Lewati ke konten utama

Kursus

Memenangi Kompetisi Kaggle dengan Python

LanjutanTingkat Keterampilan

Diperbarui 05/2026

Pelajari cara mengikuti dan memenangkan kompetisi di Kaggle.

Mulai Kursus Gratis

PythonMachine Learning

4 jam

16 videos

52 Latihan

4,200 XP

21,621

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Kaggle adalah platform paling terkenal untuk kompetisi Data Science. Berpartisipasi dalam kompetisi semacam ini memungkinkan Anda bekerja dengan himpunan data dunia nyata, mengeksplorasi berbagai permasalahan Machine Learning, bersaing dengan peserta lain, dan pada akhirnya memperoleh pengalaman praktik yang sangat berharga. Dalam kursus ini, Anda akan mempelajari cara mendekati dan menyusun kompetisi Data Science apa pun. Anda akan mampu memilih skema validasi lokal yang tepat dan menghindari overfitting. Selain itu, Anda akan menguasai rekayasa fitur tingkat lanjut beserta pendekatan penyusunan ansambel model. Semua teknik ini akan dipraktikkan pada himpunan data kompetisi Kaggle.

Persyaratan

Extreme Gradient Boosting with XGBoost

1

Kaggle competitions process

In this first chapter, you will get exposure to the Kaggle competition process. You will train a model and prepare a csv file ready for submission. You will learn the difference between Public and Private test splits, and how to prevent overfitting.

Competitions overview

Explore train data

Explore test data

Prepare your first submission

Determine a problem type

Train a simple model

Prepare a submission

Public vs Private leaderboard

What model is overfitting?

Train XGBoost models

Explore overfitting XGBoost

2

Dive into the Competition

Now that you know the basics of Kaggle competitions, you will learn how to study the specific problem at hand. You will practice EDA and get to establish correct local validation strategies. You will also learn about data leakage.

Understand the problem

Understand the problem type

Define a competition metric

Initial EDA

EDA statistics

EDA plots I

EDA plots II

Local validation

K-fold cross-validation

Stratified K-fold

Validation usage

Time K-fold

Overall validation score

3

Feature Engineering

You will now get exposure to different types of features. You will modify existing features and create new ones. Also, you will treat the missing data accordingly.

Feature engineering

Arithmetical features

Date features

Categorical features

Label encoding

One-Hot encoding

Target encoding

Mean target encoding

K-fold cross-validation

Beyond binary classification

Missing data

Find missing data

Impute missing data

4

Modeling

Time to bring everything together and build some models! In this last chapter, you will build a base model before tuning some hyperparameters and improving your results with ensembles. You will then get some final tips and tricks to help you compete more efficiently.

Baseline model

Replicate validation score

Baseline based on the date

Baseline based on the gradient boosting

Hyperparameter tuning

Grid search

2D grid search

Model ensembling

Model blending

Model stacking I

Model stacking II

Testing Kaggle forum ideas

Select final submissions

Final thoughts

Memenangi Kompetisi Kaggle dengan Python

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar Sekarang

Bergabung dengan 19 juta pelajar dan mulai Memenangi Kompetisi Kaggle dengan Python Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.