Ga naar hoofdinhoud

Cursus

Een Kaggle-competitie winnen met Python

GevorderdVaardigheidsniveau

Bijgewerkt 05-2026

Leer hoe je wedstrijden op Kaggle kunt aanpakken en winnen.

Start Cursus Kosteloos

PythonMachine Learning

4 u

16 videos

52 Opdrachten

4,200 XP

21,655

Bewijs van Prestatie

Geliefd bij leerlingen van duizenden bedrijven

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Kaggle is het bekendste platform voor Data Science-wedstrijden. Meedoen aan dit soort competities laat je werken met echte gegevenssets, verschillende Machine Learning-problemen verkennen, de strijd aangaan met andere deelnemers en vooral onmisbare praktijkervaring opdoen. In deze cursus leer je hoe je elke Data Science-competitie kunt benaderen en structureren. Je leert een juiste lokale validatiestrategie kiezen en overfitting voorkomen. Daarnaast beheers je geavanceerde feature engineering en methoden om modellen te ensemblen. Al deze technieken pas je toe op gegevenssets uit Kaggle-competities.

Vereisten

Extreme Gradient Boosting with XGBoost

1

Het proces van Kaggle-competities

In dit eerste hoofdstuk maak je kennis met het proces van Kaggle-competities. Je traint een model en bereidt een csv-bestand voor dat klaar is voor inzending. Je leert het verschil tussen Public en Private test-splits, en hoe je overfitting voorkomt.

Overzicht van competitions

Verken de train-data

Verken testgegevens

Maak je eerste inzending klaar

Bepaal het probleemtype

Train een eenvoudig model

Maak een inzending klaar

Public vs Private leaderboard

Welk model overfit?

XGBoost-modellen trainen

Overfitting in XGBoost verkennen

Hoofdstuk beginnen

2

Duik in de competitie

Nu je de basis van Kaggle-competities kent, leer je hoe je het specifieke probleem onderzoekt. Je oefent met EDA en stelt correcte lokale validatiestrategieën op. Ook leer je over datalekken (data leakage).

Begrijp het probleem

Begrijp het probleemtype

Definieer een competitie-metric

EDA-statistieken

EDA-plots I

EDA-grafieken II

Lokale validatie

K-fold cross-validatie

Gestratificeerde K-fold

Gebruik van validatie

Time K-fold

Totale validatiescore

Hoofdstuk beginnen

3

Feature engineering

Je maakt nu kennis met verschillende soorten features. Je past bestaande features aan en maakt nieuwe. Ook behandel je de ontbrekende gegevens op de juiste manier.

Feature engineering

Rekenkundige features

Datumfeatures

Categorische features

Label-encoding

One-hot-encoding

Target-encoding

Gemiddelde target encoding

K-fold cross-validatie

Verder dan binaire classificatie

Ontbrekende gegevens

Ontbrekende gegevens vinden

Ontbrekende data imputeren

Hoofdstuk beginnen

4

Modelleren

Tijd om alles samen te brengen en modellen te bouwen! In dit laatste hoofdstuk bouw je een basismodel, stem je enkele hyperparameters af en verbeter je je resultaten met ensembles. Tot slot krijg je nog tips en trucs om efficiënter te kunnen meedoen.

Validadatiescore reproduceren

Baseline op basis van de datum

Baseline op basis van gradient boosting

Hyperparameter tuning

Grid search

2D grid search

Model-ensembling

Model blending

Model stacking I

Model stacking II

Laatste tips

Ideeën uit het Kaggle-forum testen

Kies de definitieve inzendingen

Hoofdstuk beginnen

Een Kaggle-competitie winnen met Python

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Een Kaggle-competitie winnen met Python!

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.