Przejdź do głównej treści

Strona główna Python

Kurs

Zwycięstwo w konkursie Kaggle w Pythonie

ZaawansowanyPoziom umiejętności

Zaktualizowano 05.2026

Naucz się, jak podejść do konkursów na Kaggle i je wygrywać.

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

16 filmów

52 Ćwiczenia

4,200 XP

21,648

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Kaggle to najbardziej znana platforma konkursów z zakresu Data Science. Udział w takich konkursach pozwala pracować z rzeczywistymi zbiorami danych, zgłębiać różnorodne problemy uczenia maszynowego, rywalizować z innymi uczestnikami i zdobywać bezcenne doświadczenie praktyczne. W tym kursie nauczysz się, jak podejść do konkursu Data Science i jak go odpowiednio zorganizować. Dowiesz się, jak wybrać właściwy lokalny schemat walidacji i jak unikać przeuczenia. Opanujesz też zaawansowane techniki inżynierii cech oraz metody łączenia modeli. Wszystkie te techniki przećwiczysz na zbiorach danych z konkursów Kaggle.

Wymagania wstępne

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

Zwycięstwo w konkursie Kaggle w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Zwycięstwo w konkursie Kaggle w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.