メインコンテンツへスキップ

ホーム Python

コース

Pythonで挑むKaggleコンペティション

上級スキルレベル

更新日 2026/05

Kaggleのコンペに挑む戦略と、勝つための実践的アプローチを学びます。

コースを無料で開始

PythonMachine Learning

4時間

16 ビデオ

52 演習

4,200 XP

21,644

修了証明書

何千もの企業の従業員が支持

チームのトレーニングを担当していますか？

Businessをお試しください

コース説明

Kaggleは、最も有名なData Scienceのコンペティションプラットフォームです。コンペに参加すると、実世界のデータセットに取り組み、さまざまなMachine Learningの課題を探究し、他の参加者と競い合い、貴重な実践経験を得られます。本コースでは、あらゆるData Scienceコンペにどのように取り組み、構造化するかを学びます。適切なローカル検証スキームを選び、過学習を避ける方法を習得します。さらに、先進的な特徴量エンジニアリングやモデルアンサンブルの手法をマスターします。これらのテクニックは、Kaggleのコンペデータセットを使って実践します。

前提条件

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

チャプターを開始

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

チャプターを開始

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

チャプターを開始

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

チャプターを開始

Pythonで挑むKaggleコンペティション

コース完了

修了証明書を取得

この修了書をLinkedInや履歴書、CVに追加しましょう
ソーシャルメディアや人事評価で共有しましょう今すぐ登録

19百万人を超える学習者と共にPythonで挑むKaggleコンペティションを始めましょう！

DataCamp for Mobileでデータスキルを磨きましょう

モバイルコースと毎日の 5 分間のコーディングチャレンジで、外出先でも進歩できます。