ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Winning a Kaggle Competition in Python

ขั้นสูงระดับทักษะ

อัปเดตแล้ว 05/2569

Learn how to approach and win competitions on Kaggle.

เริ่มเรียนหลักสูตรฟรี

PythonMachine Learning4 ชม.16 videos52 Exercises4,200 เอ็กซ์พี21,452คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Kaggle is the most famous platform for Data Science competitions. Taking part in such competitions allows you to work with real-world datasets, explore various machine learning problems, compete with other participants and, finally, get invaluable hands-on experience. In this course, you will learn how to approach and structure any Data Science competition. You will be able to select the correct local validation scheme and to avoid overfitting. Moreover, you will master advanced feature engineering together with model ensembling approaches. All these techniques will be practiced on Kaggle competitions datasets.

ข้อกำหนดเบื้องต้น

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

50 เอ็กซ์พี

Explore train data

100 เอ็กซ์พี

Explore test data

100 เอ็กซ์พี

Prepare your first submission

50 เอ็กซ์พี

Determine a problem type

50 เอ็กซ์พี

Train a simple model

100 เอ็กซ์พี

Prepare a submission

100 เอ็กซ์พี

Public vs Private leaderboard

50 เอ็กซ์พี

What model is overfitting?

50 เอ็กซ์พี

Train XGBoost models

100 เอ็กซ์พี

Explore overfitting XGBoost

100 เอ็กซ์พี

เริ่มบท

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

50 เอ็กซ์พี

Understand the problem type

50 เอ็กซ์พี

Define a competition metric

100 เอ็กซ์พี

Initial EDA

50 เอ็กซ์พี

EDA statistics

100 เอ็กซ์พี

EDA plots I

100 เอ็กซ์พี

EDA plots II

100 เอ็กซ์พี

Local validation

50 เอ็กซ์พี

K-fold cross-validation

100 เอ็กซ์พี

Stratified K-fold

100 เอ็กซ์พี

Validation usage

50 เอ็กซ์พี

Time K-fold

100 เอ็กซ์พี

Overall validation score

100 เอ็กซ์พี

เริ่มบท

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

50 เอ็กซ์พี

Arithmetical features

100 เอ็กซ์พี

Date features

100 เอ็กซ์พี

Categorical features

50 เอ็กซ์พี

Label encoding

100 เอ็กซ์พี

One-Hot encoding

100 เอ็กซ์พี

Target encoding

50 เอ็กซ์พี

Mean target encoding

100 เอ็กซ์พี

K-fold cross-validation

100 เอ็กซ์พี

Beyond binary classification

100 เอ็กซ์พี

Missing data

50 เอ็กซ์พี

Find missing data

100 เอ็กซ์พี

Impute missing data

100 เอ็กซ์พี

เริ่มบท

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

50 เอ็กซ์พี

Replicate validation score

100 เอ็กซ์พี

Baseline based on the date

100 เอ็กซ์พี

Baseline based on the gradient boosting

100 เอ็กซ์พี

Hyperparameter tuning

50 เอ็กซ์พี

Grid search

100 เอ็กซ์พี

2D grid search

100 เอ็กซ์พี

Model ensembling

50 เอ็กซ์พี

Model blending

100 เอ็กซ์พี

Model stacking I

100 เอ็กซ์พี

Model stacking II

100 เอ็กซ์พี

50 เอ็กซ์พี

Testing Kaggle forum ideas

100 เอ็กซ์พี

Select final submissions

50 เอ็กซ์พี

Final thoughts

50 เอ็กซ์พี

เริ่มบท

Winning a Kaggle Competition in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

Machine Learning Scientist in Python

instructors

Yauhen Babakhin

Kaggle Grandmaster

collaborators

Hillary Green-Lerman

Hadrien Lacroix

Courses resources

Demand forecasting (train)datasets

Demand forecasting (test)datasets

House prices (train)datasets

House prices (test)datasets

Taxi rides (train)datasets

Taxi rides (test)datasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Winning a Kaggle Competition in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา