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

21,655

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

Proses kompetisi Kaggle

Pada bab pertama ini, Anda akan mengenal proses kompetisi Kaggle. Anda akan melatih sebuah model dan menyiapkan berkas csv yang siap dikirimkan. Anda akan mempelajari perbedaan antara pembagian uji Public dan Private, serta cara mencegah overfitting.

Gambaran umum kompetisi

Menjelajah data train

Jelajahi data test

Siapkan kiriman pertama Anda

Menentukan jenis permasalahan

Latih model sederhana

Siapkan sebuah submission

Papan peringkat Public vs Private

Model mana yang overfitting?

Latih model XGBoost

Menjelajahi overfitting pada XGBoost

2

Menyelami Kompetisi

Sekarang setelah Anda memahami dasar-dasar kompetisi Kaggle, Anda akan mempelajari cara menelaah persoalan spesifik yang dihadapi. Anda akan berlatih EDA dan menetapkan strategi validasi lokal yang tepat. Anda juga akan mempelajari tentang kebocoran data.

Memahami masalah

Pahami jenis permasalahan

Menetapkan metrik kompetisi

Statistik EDA

Plot EDA II

Validasi lokal

K-fold cross-validation

K-fold Terstratifikasi

Penggunaan validasi

Time K-fold

Skor validasi keseluruhan

3

Rekayasa Fitur

Kini Anda akan mengenal berbagai jenis fitur. Anda akan memodifikasi fitur yang ada dan membuat yang baru. Selain itu, Anda akan menangani data hilang dengan tepat.

Rekayasa fitur

Fitur aritmetika

Fitur tanggal

Fitur kategorikal

Pengodean label

One-Hot encoding

Target encoding

Pengodean target rata-rata

K-fold cross-validation

Melampaui klasifikasi biner

Data hilang

Temukan data hilang

Imputasi data hilang

4

Pemodelan

Saatnya menyatukan semuanya dan membangun beberapa model! Pada bab terakhir ini, Anda akan membangun model dasar sebelum menyetel beberapa hiperparameter dan meningkatkan hasil dengan ansambel. Anda kemudian akan mendapatkan beberapa kiat dan trik akhir untuk membantu Anda berkompetisi dengan lebih efektif.

Model baseline

Replikasi skor validasi

Baseline berbasis tanggal

Baseline berbasis gradient boosting

Penyetelan hyperparameter

Pencarian grid

Pencarian grid 2D

Ensembling model

Blending model

Model stacking I

Model stacking II

Tips terakhir

Menguji ide dari forum Kaggle

Pilih kiriman final

Pemikiran akhir

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.