目录
- Kaggle 竞赛是什么？
- 参加 Kaggle 竞赛值得吗？
- 何时应该参加数据科学竞赛？
- 什么是 Datacamp 竞赛？
- 如何根据您的水平找到合适的 Kaggle 竞赛？（从初学者到高级技能）
- Kaggle 竞赛技巧
- 选择一门编程语言
- 参加带有 "Getting Started" 标签的竞赛
- 不要只用 Kaggle
- 专注于学习
- 学习他人的公开 Notebook
- 阅读竞赛规则
- 分享您的解决方案
- 在 DataCamp 上学习这门课程
- 什么是 Kaggle 排名？
- Kaggle 勋章
- 竞赛勋章
- 数据集勋章
- Notebook 勋章
- 讨论勋章
- 绩效段位
- Novice（新手）
- Contributor（贡献者）
- Expert（专家）
- Master（大师）
- Grandmaster（宗师）
- 从 Contributor 到 Expert 需要多长时间？
- Kaggle 排名技巧
- 结论
Kaggle 竞赛是什么？
既然我们已经介绍了 Kaggle 的基础内容，如 Notebook 和数据集，现在可以来回答关于 Kaggle 竞赛最常见的问题：谁来组织？我能参加吗？我为什么要参加？
最后一个问题是关键。Kaggle 竞赛围绕具有挑战性的机器学习任务展开，由 Kaggle 本身或其他大型公司、组织和大学主办。在这些竞赛中，用户与平台上的其他数据科学家比拼，提交由他们在竞赛期间构建的机器学习模型所做出的更准确的预测。提交后，平台会自动计算一个分数，用以反映其模型的表现。
一个常见的误解是，参加这些竞赛前必须修完概率与统计课程，或深入掌握某些机器学习库。实际上，无论您的水平如何，都可以也应该参与 Kaggle 竞赛。竞赛并非专家专属，人人都能从中获得宝贵经验，甚至借此构建数据科学作品集。
参加 Kaggle 竞赛值得吗？
- 不论您在数据科学方面多有经验，在这个不断增长和发展的领域里，通过参加竞赛都能提升技能。这些数据科学竞赛会在您的能力范围内对您提出挑战。您在 Kaggle 或 DataCamp 数据科学竞赛中投入的时间和精力越多，您就会越快熟悉所用的库和编程语言。
- 您将与全球各个水平的数据科学家同台竞争，获得属于自己的排名。
- 您将有机会复盘获胜方案，并接触同一问题的不同解法。这会让您更容易从多角度分析具有挑战性的任务。
- 您将获得高质量的数据集。这样，您可以将精力完全放在解题上，而无需考虑清洗数据、收集相关数据或自行创建一致且标注良好的数据集。
- 您将有机会与竞赛获胜者及其他顶尖数据科学家进行技术讨论，从而扩展人脉。
- 处理真实问题会激励您，并帮助您洞察数据科学家的日常工作和职责。
- 还有明确的经济激励。
参加 Kaggle 或 DataCamp 的竞赛绝对值得。无论您的专业水平如何，您都能从上面列出的益处中至少找到一项与您相关。数据科学竞赛类型广泛，而且新竞赛会定期发布。即使您当下不感兴趣，也建议关注正在发布的竞赛，因为未来总会有至少一项与您相关。
何时应该参加数据科学竞赛？
在报名参加之前，请考虑以下三个标准：
- 在这场竞赛上投入的时间与精力，是否与您能获得的提升相匹配？
- 获胜背后的经济激励如何，是否值得您的时间？
- 作为数据从业者，这场竞赛的工作、研究与贡献是否会令您感到满意？
有些数据科学家乐于参加任何竞赛，只为拓展人脉和练习。然而，大多数人需要依据上述标准来判断一场竞赛是否值得参加。您也需要建立自己的标准，并在参赛前加以考虑。请始终记住：参与的竞赛越多，您从 Kaggle 获得的收获与学习经验就越多。
什么是 Datacamp 竞赛？
DataCamp 竞赛与 Kaggle 竞赛有许多相似之处。与 Kaggle 一样，在 DataCamp 上您可以查看公开分享的 Notebook，并且 DataCamp 竞赛同样设有奖品。如果您在竞赛中名列前茅，将获得 1 年的 DataCamp 高级订阅，还有机会赢得现金奖。DataCamp 也提供与 Kaggle 非常相似的环境，您可以通过讨论页面与各个水平的数据科学家交流。
不过，Kaggle 与Datacamp 竞赛之间也有一些重要差异。一方面，Kaggle 竞赛更侧重机器学习；另一方面，DataCamp 更强调在更广泛的语境中考察您的分析、叙事与可视化能力。此外，DataCamp 作为一个正在崛起的平台，参与者相对较少，获胜概率更大。
无论如何，切勿只以“获胜”为唯一目的参加竞赛。如果您把重心放在进步上，收获会更大。在这方面，DataCamp 也提供了很好的提升机会，且易于把握。
如何根据您的水平找到合适的 Kaggle 竞赛？（从初学者到高级技能）
Kaggle 允许您按标题或关键词筛选竞赛，因此很容易找到最感兴趣的内容。只需在搜索栏输入标题或关键词即可。
图 5.1：竞赛搜索
您也可以按竞赛标签进行筛选。
图 5.2：竞赛筛选
除了标题、关键词和标签，还有三类主要筛选项：“Status（状态）”“Prizes and Awards（奖金与奖项）”以及“Categories（类别）”。
Status（状态）：
- Monetary：带有此标签的竞赛通常由大型、知名公司发布。如果您在这些竞赛中排名靠前，将获得现金奖励。最低奖金通常在 5,000 至 10,000 美元之间。奖金介于 50,000 至 100,000 美元的竞赛最为常见。最高奖金可达 100 万美元。
- Medals：您将根据在竞赛中获得的分数赢得 Kaggle 勋章。有了这些勋章，您的排名会提升。Kaggle 排名在第 6 节中有详细说明。
- Other：这些竞赛会奖励 Kaggle 周边，如 T 恤或贴纸。
Categories（类别）：
- Featured：这类竞赛通常由大型公司、组织乃至政府发布。其现金奖励远高于其他类别。
- Research：研究主题的竞赛。奖金很少或没有。
- Getting Started：不含任何奖励。通常为教学目的而设。在本节末尾，您会看到一个带有“Getting Started”标签的示例竞赛。您不仅能看到示例，还能看到关于如何使用 Notebook、如何提交结果等步骤的教程。
- Playground：适合希望积累经验并持续提升技能的人。奖品通常是 Kaggle 周边（如 T 恤和贴纸）。这类竞赛往往更有趣且游戏化。
- InClass：通常由大学举办，参与者为其机器学习课程的学生。目标是吸引并激励学生。
- Analytics：数据分析类竞赛。
- Simulations：区别于 Kaggle 传统的有监督机器学习挑战，这类竞赛涉及强化学习任务。参赛者开发模型，并让模型在模拟环境中对抗。
除主要筛选项外，您还可以按其他参数对竞赛排序，如“Hotness（热度）”“Recently Launched（最新发布）”“Closing Soon（即将截止）”“Reward（奖励）”和“Total Teams（参赛队伍总数）”。
图 5.3：竞赛排序
Kaggle 竞赛技巧
1. 选择一门编程语言
Python 和 R 是数据科学领域最常用的编程语言，尤其在可视化与机器学习任务中。如果您在想 MATLAB，可以在本地计算机上进行数据科学任务，但 Kaggle Notebook 仅支持 Python、R 和 Julia。
如果您使用其他编程语言，某些任务可能更顺手，但让一门语言强大的往往是其背后的社区与开源库生态。需要注意的是（使用更流行的语言时）您在本地导入的库，同样可以在 Kaggle 上导入。
如果您是初学者，Python 或 R 是很好的起点，并建议坚持使用直至在该领域站稳脚跟。请记住，Kaggle 上共享的许多 Notebook 都用 Python 编写，如果您需要学习它们，掌握这门语言会更轻松。
2. 参加带有 "Getting Started" 标签的竞赛
Getting Started 非常适合初学者。如果您完成这些竞赛并复盘他人分享的 Notebook，您会收获颇丰，且进步相对较快。
以下是我们按知识背景推荐的一些 Getting Started 竞赛：
3. 不要只用 Kaggle
当您尝试了上面列出的基础级别竞赛并积累了一点经验后，不妨在不同平台上寻找竞赛。
在 DataCamp，您可以参加诸如“数据科学竞赛”中的“为饮料公司设计促销策略”之类的项目，这类竞赛会要求您在自身能力范围内做一些研究并多走一步。这项竞赛的特别之处在于，它不仅仅关注机器学习，还会显著考验参赛者的分析、叙事和可视化能力。您可以在参赛作品选项卡中查看该竞赛的共享 Notebook。
为最大化成功机会并充分利用本次竞赛，建议您先完成以下课程：
4. 专注于学习
Kaggle 竞赛的奖金很可观，这可能会诱使您偏离学习目标。不要把注意力放在奖金上，而要优先考虑学习与提升。一旦积累了足够经验，再考虑如何冲击榜首也不迟。
5. 学习他人的公开 Notebook
学习竞赛中分享的 Notebook，将帮助您掌握解决同一问题的不同方法。
6. 阅读竞赛规则
在决定参赛前，请阅读竞赛信息与规则，并确保在报名之前已完全理解。
7. 分享您的解决方案
分享您的解决方案会增加您与其他数据科学家的互动，并能获得他人的反馈。通过就您的方案发起讨论话题，您能更快获得勋章，并迅速提升 Kaggle 排名。有关 Kaggle 排名的更多信息见第 6 节。
8. 在 DataCamp 上学习这门课程
DataCamp 的 Winning a Kaggle Competition in Python 课程将教您如何构思与组织任何数据科学竞赛的参赛方案。通过学习，您将掌握竞赛中使用的所有基础技术，如如何验证机器学习模型，以及如何避免过拟合。
什么是 Kaggle 排名？
Kaggle 排名系统是一个实时排行榜，用于给不同水平、以不同方式为 Kaggle 做出贡献的数据科学家排名，贡献形式包括评论、参加 Kaggle 竞赛等。
除了主排行榜外，还有四种不同类型的排名：“Competition（竞赛）”“Dataset（数据集）”“Notebook”和“Discussion（讨论）”。您可以在个人主页查看自己在各类别的等级。随着您在上述类别中获得勋章，您的排名与段位将随之提升。请记住，勋章通过竞赛评分与点赞获得。
Kaggle 共设五个主要段位：“Novice（新手）”“Contributor（贡献者）”“Expert（专家）”“Master（大师）”和“Grandmaster（宗师）”。目前，“Kaggle Grandmaster”这一顶级段位仅有 241 名数据科学家，足见其难度之高。至于其他段位，目前有 1,668 名大师、7,206 名专家、64,668 名贡献者和 92,747 名新手。与您获得的勋章数量一样，您所处的段位将对职业发展大有裨益。
Kaggle 勋章
勋章代表在某一类别中的单项成就。这种成就可能是一项优异的竞赛成绩、一篇受欢迎的 Notebook、一个有用的数据集或一条有见地的评论等。平台会对您的成就进行标准化，并通过与其他数据科学家的贡献对比来建立排名体系。
竞赛勋章
竞赛勋章由您在竞赛中的排名决定。请注意，InClass、Playground 和 Getting Started 类别的竞赛不授予勋章。
在参赛队伍为 0–99 支的竞赛中，进入前 40% 可获铜牌，前 20% 获银牌，前 10% 获金牌。随着队伍数量增加，勋章的分配也会变化。比如，在参赛队伍≥1000 的竞赛中，前 10% 获铜牌，前 5% 获银牌，前 10 支队伍获金牌。
数据集勋章
您分享的数据集越受欢迎，获得的点赞越多。数据集勋章取决于这些点赞数。获得 5–20 个赞授予铜牌，20–50 个赞授予银牌，50 个及以上授予金牌。来自新手级用户的点赞不计入统计。
Notebook 勋章
Notebook 勋章与数据集勋章的规则相同。Notebook 获得 5–20 个赞授予铜牌，20–50 个赞授予银牌，50 个及以上授予金牌。来自新手级用户的点赞不计入统计。
讨论勋章
讨论勋章根据净投票数（赞减踩）计算获得。对您旧帖的投票以及来自新手级的投票不计入统计。获得 1 个净投票即可拿到铜牌；获得 5–10 个净投票可得银牌；净投票达到 10 个及以上可获金牌。
绩效段位
您会在每个排名类别（“Competitions”“Datasets”“Notebooks”“Discussions”）中被分配一个段位。您在所有类别中的最高段位将显示为个人主页上的主段位。
Novice（新手）
在平台注册后，您会自动获得该段位。
Contributor（贡献者）
成为“贡献者”的条件如下：
- 运行一个 Notebook 或脚本
- 进行一次竞赛或任务提交
- 发表一条评论
- 点一次赞
Expert（专家）
要成为“专家”，您必须至少获得 2 枚竞赛铜牌；至少 3 枚数据集铜牌；至少 5 枚 Notebook 铜牌；以及至少 50 枚讨论铜牌。
Master（大师）
要达到“大师”段位，您必须至少获得 1 枚竞赛金牌和 2 枚银牌；数据集至少 1 枚金牌与 4 枚银牌；Notebook 至少 10 枚银牌；讨论至少 200 枚勋章，其中至少 50 枚需为银牌。
Grandmaster（宗师）
要成为“宗师”，您需要至少获得 5 枚竞赛金牌，其中至少 1 枚为单人金牌；数据集至少 5 枚金牌与 5 枚银牌；Notebook 至少 15 枚金牌；讨论至少 500 枚勋章，其中 50 枚需为金牌。
从 Contributor 到 Expert 需要多长时间？
这完全取决于您在 Kaggle 上的坚持与投入。根据这项分析，平均而言，从贡献者到专家大约需要 1 年时间。这个周期因每位数据科学家愿意在 Kaggle 上投入的努力程度而异。比如，如果您把时间花在学习和提升上，拿到专家徽章可能会更久；但如果您只是尽可能快地去刷勋章，那么可能会更短。
通常更好的是把时间投入到真正的进步上，而不只是拿勋章。要提升知识和技能、推动职业发展，真正的实践经验才是关键。
Kaggle 排名技巧
如前所述，您的目标应该是利用 Kaggle 或 DataCamp 来拓展人脉、提升技能，并尽可能多地学习。
当然，获得勋章也很有价值。由于勋章的获得条件也取决于较高的点赞数，您应考虑如何提高收到的点赞量。以下建议将帮助您提升勋章数量：
- 不要索要点赞。只要努力提供有用信息，点赞自然会来。事实上，向他人索要点赞可能适得其反，甚至会被点踩。
- 标注原作者常常能为您带来更多点赞。但请有选择地使用，仅在确实能为帖子增值时采用，以免有刷屏之嫌。
- 请记住：专注于提升技能，勋章自会随之而来。
Kaggle 的段位与勋章是您真实成就的可见体现。随着进步，看到这些成就被量化，很可能会进一步激励您。
结论
参加 Kaggle 或 DataCamp 的数据科学竞赛既有趣，又是推动您开启数据科学之旅的工具之一。尽管有些优秀的数据科学家会把竞赛奖金纳入收入模型，但大多数人的目标是尽可能多地从竞赛中学习，并获得真实经验。
其中最有帮助的因素，是提升竞赛排名的动力。有了这股动力，数据科学家会去阅读他人的 Notebook，学习不同的代码与策略。竞赛结束后他人对您代码的建议，甚至可以视为一种免费的指导。
若想一步步了解如何为竞赛分析一个数据集，请查看我们的 Kaggle 竞赛教程。
目录
Kaggle 竞赛是什么？
既然我们已经介绍了 Kaggle 的基础内容，如 Notebook 和数据集，现在可以来回答关于 Kaggle 竞赛最常见的问题：谁来组织？我能参加吗？我为什么要参加？
最后一个问题是关键。Kaggle 竞赛围绕具有挑战性的机器学习任务展开，由 Kaggle 本身或其他大型公司、组织和大学主办。在这些竞赛中，用户与平台上的其他数据科学家比拼，提交由他们在竞赛期间构建的机器学习模型所做出的更准确的预测。提交后，平台会自动计算一个分数，用以反映其模型的表现。
一个常见的误解是，参加这些竞赛前必须修完概率与统计课程，或深入掌握某些机器学习库。实际上，无论您的水平如何，都可以也应该参与 Kaggle 竞赛。竞赛并非专家专属，人人都能从中获得宝贵经验，甚至借此构建数据科学作品集。
参加 Kaggle 竞赛值得吗？
参加 Kaggle 或 DataCamp 的竞赛绝对值得。无论您的专业水平如何，您都能从上面列出的益处中至少找到一项与您相关。数据科学竞赛类型广泛，而且新竞赛会定期发布。即使您当下不感兴趣，也建议关注正在发布的竞赛，因为未来总会有至少一项与您相关。
何时应该参加数据科学竞赛？
在报名参加之前，请考虑以下三个标准：
有些数据科学家乐于参加任何竞赛，只为拓展人脉和练习。然而，大多数人需要依据上述标准来判断一场竞赛是否值得参加。您也需要建立自己的标准，并在参赛前加以考虑。请始终记住：参与的竞赛越多，您从 Kaggle 获得的收获与学习经验就越多。
什么是 Datacamp 竞赛？
DataCamp 竞赛与 Kaggle 竞赛有许多相似之处。与 Kaggle 一样，在 DataCamp 上您可以查看公开分享的 Notebook，并且 DataCamp 竞赛同样设有奖品。如果您在竞赛中名列前茅，将获得 1 年的 DataCamp 高级订阅，还有机会赢得现金奖。DataCamp 也提供与 Kaggle 非常相似的环境，您可以通过讨论页面与各个水平的数据科学家交流。
不过，Kaggle 与Datacamp 竞赛之间也有一些重要差异。一方面，Kaggle 竞赛更侧重机器学习；另一方面，DataCamp 更强调在更广泛的语境中考察您的分析、叙事与可视化能力。此外，DataCamp 作为一个正在崛起的平台，参与者相对较少，获胜概率更大。
无论如何，切勿只以“获胜”为唯一目的参加竞赛。如果您把重心放在进步上，收获会更大。在这方面，DataCamp 也提供了很好的提升机会，且易于把握。
如何根据您的水平找到合适的 Kaggle 竞赛？（从初学者到高级技能）
Kaggle 允许您按标题或关键词筛选竞赛，因此很容易找到最感兴趣的内容。只需在搜索栏输入标题或关键词即可。
图 5.1：竞赛搜索
您也可以按竞赛标签进行筛选。
图 5.2：竞赛筛选
除了标题、关键词和标签，还有三类主要筛选项：“Status（状态）”“Prizes and Awards（奖金与奖项）”以及“Categories（类别）”。
Status（状态）：
Categories（类别）：
除主要筛选项外，您还可以按其他参数对竞赛排序，如“Hotness（热度）”“Recently Launched（最新发布）”“Closing Soon（即将截止）”“Reward（奖励）”和“Total Teams（参赛队伍总数）”。
图 5.3：竞赛排序
Kaggle 竞赛技巧
1. 选择一门编程语言
Python 和 R 是数据科学领域最常用的编程语言，尤其在可视化与机器学习任务中。如果您在想 MATLAB，可以在本地计算机上进行数据科学任务，但 Kaggle Notebook 仅支持 Python、R 和 Julia。
如果您使用其他编程语言，某些任务可能更顺手，但让一门语言强大的往往是其背后的社区与开源库生态。需要注意的是（使用更流行的语言时）您在本地导入的库，同样可以在 Kaggle 上导入。
如果您是初学者，Python 或 R 是很好的起点，并建议坚持使用直至在该领域站稳脚跟。请记住，Kaggle 上共享的许多 Notebook 都用 Python 编写，如果您需要学习它们，掌握这门语言会更轻松。
2. 参加带有 "Getting Started" 标签的竞赛
Getting Started 非常适合初学者。如果您完成这些竞赛并复盘他人分享的 Notebook，您会收获颇丰，且进步相对较快。
以下是我们按知识背景推荐的一些 Getting Started 竞赛：
3. 不要只用 Kaggle
当您尝试了上面列出的基础级别竞赛并积累了一点经验后，不妨在不同平台上寻找竞赛。
在 DataCamp，您可以参加诸如“数据科学竞赛”中的“为饮料公司设计促销策略”之类的项目，这类竞赛会要求您在自身能力范围内做一些研究并多走一步。这项竞赛的特别之处在于，它不仅仅关注机器学习，还会显著考验参赛者的分析、叙事和可视化能力。您可以在参赛作品选项卡中查看该竞赛的共享 Notebook。
为最大化成功机会并充分利用本次竞赛，建议您先完成以下课程：
4. 专注于学习
Kaggle 竞赛的奖金很可观，这可能会诱使您偏离学习目标。不要把注意力放在奖金上，而要优先考虑学习与提升。一旦积累了足够经验，再考虑如何冲击榜首也不迟。
5. 学习他人的公开 Notebook
学习竞赛中分享的 Notebook，将帮助您掌握解决同一问题的不同方法。
6. 阅读竞赛规则
在决定参赛前，请阅读竞赛信息与规则，并确保在报名之前已完全理解。
7. 分享您的解决方案
分享您的解决方案会增加您与其他数据科学家的互动，并能获得他人的反馈。通过就您的方案发起讨论话题，您能更快获得勋章，并迅速提升 Kaggle 排名。有关 Kaggle 排名的更多信息见第 6 节。
8. 在 DataCamp 上学习这门课程
DataCamp 的 Winning a Kaggle Competition in Python 课程将教您如何构思与组织任何数据科学竞赛的参赛方案。通过学习，您将掌握竞赛中使用的所有基础技术，如如何验证机器学习模型，以及如何避免过拟合。
什么是 Kaggle 排名？
Kaggle 排名系统是一个实时排行榜，用于给不同水平、以不同方式为 Kaggle 做出贡献的数据科学家排名，贡献形式包括评论、参加 Kaggle 竞赛等。
除了主排行榜外，还有四种不同类型的排名：“Competition（竞赛）”“Dataset（数据集）”“Notebook”和“Discussion（讨论）”。您可以在个人主页查看自己在各类别的等级。随着您在上述类别中获得勋章，您的排名与段位将随之提升。请记住，勋章通过竞赛评分与点赞获得。
Kaggle 共设五个主要段位：“Novice（新手）”“Contributor（贡献者）”“Expert（专家）”“Master（大师）”和“Grandmaster（宗师）”。目前，“Kaggle Grandmaster”这一顶级段位仅有 241 名数据科学家，足见其难度之高。至于其他段位，目前有 1,668 名大师、7,206 名专家、64,668 名贡献者和 92,747 名新手。与您获得的勋章数量一样，您所处的段位将对职业发展大有裨益。
Kaggle 勋章
勋章代表在某一类别中的单项成就。这种成就可能是一项优异的竞赛成绩、一篇受欢迎的 Notebook、一个有用的数据集或一条有见地的评论等。平台会对您的成就进行标准化，并通过与其他数据科学家的贡献对比来建立排名体系。
竞赛勋章
竞赛勋章由您在竞赛中的排名决定。请注意，InClass、Playground 和 Getting Started 类别的竞赛不授予勋章。
在参赛队伍为 0–99 支的竞赛中，进入前 40% 可获铜牌，前 20% 获银牌，前 10% 获金牌。随着队伍数量增加，勋章的分配也会变化。比如，在参赛队伍≥1000 的竞赛中，前 10% 获铜牌，前 5% 获银牌，前 10 支队伍获金牌。
数据集勋章
您分享的数据集越受欢迎，获得的点赞越多。数据集勋章取决于这些点赞数。获得 5–20 个赞授予铜牌，20–50 个赞授予银牌，50 个及以上授予金牌。来自新手级用户的点赞不计入统计。
Notebook 勋章
Notebook 勋章与数据集勋章的规则相同。Notebook 获得 5–20 个赞授予铜牌，20–50 个赞授予银牌，50 个及以上授予金牌。来自新手级用户的点赞不计入统计。
讨论勋章
讨论勋章根据净投票数（赞减踩）计算获得。对您旧帖的投票以及来自新手级的投票不计入统计。获得 1 个净投票即可拿到铜牌；获得 5–10 个净投票可得银牌；净投票达到 10 个及以上可获金牌。
绩效段位
您会在每个排名类别（“Competitions”“Datasets”“Notebooks”“Discussions”）中被分配一个段位。您在所有类别中的最高段位将显示为个人主页上的主段位。
Novice（新手）
在平台注册后，您会自动获得该段位。
Contributor（贡献者）
成为“贡献者”的条件如下：
Expert（专家）
要成为“专家”，您必须至少获得 2 枚竞赛铜牌；至少 3 枚数据集铜牌；至少 5 枚 Notebook 铜牌；以及至少 50 枚讨论铜牌。
Master（大师）
要达到“大师”段位，您必须至少获得 1 枚竞赛金牌和 2 枚银牌；数据集至少 1 枚金牌与 4 枚银牌；Notebook 至少 10 枚银牌；讨论至少 200 枚勋章，其中至少 50 枚需为银牌。
Grandmaster（宗师）
要成为“宗师”，您需要至少获得 5 枚竞赛金牌，其中至少 1 枚为单人金牌；数据集至少 5 枚金牌与 5 枚银牌；Notebook 至少 15 枚金牌；讨论至少 500 枚勋章，其中 50 枚需为金牌。
从 Contributor 到 Expert 需要多长时间？
这完全取决于您在 Kaggle 上的坚持与投入。根据这项分析，平均而言，从贡献者到专家大约需要 1 年时间。这个周期因每位数据科学家愿意在 Kaggle 上投入的努力程度而异。比如，如果您把时间花在学习和提升上，拿到专家徽章可能会更久；但如果您只是尽可能快地去刷勋章，那么可能会更短。
通常更好的是把时间投入到真正的进步上，而不只是拿勋章。要提升知识和技能、推动职业发展，真正的实践经验才是关键。
Kaggle 排名技巧
如前所述，您的目标应该是利用 Kaggle 或 DataCamp 来拓展人脉、提升技能，并尽可能多地学习。
当然，获得勋章也很有价值。由于勋章的获得条件也取决于较高的点赞数，您应考虑如何提高收到的点赞量。以下建议将帮助您提升勋章数量：
Kaggle 的段位与勋章是您真实成就的可见体现。随着进步，看到这些成就被量化，很可能会进一步激励您。
结论
参加 Kaggle 或 DataCamp 的数据科学竞赛既有趣，又是推动您开启数据科学之旅的工具之一。尽管有些优秀的数据科学家会把竞赛奖金纳入收入模型，但大多数人的目标是尽可能多地从竞赛中学习，并获得真实经验。
其中最有帮助的因素，是提升竞赛排名的动力。有了这股动力，数据科学家会去阅读他人的 Notebook，学习不同的代码与策略。竞赛结束后他人对您代码的建议，甚至可以视为一种免费的指导。
若想一步步了解如何为竞赛分析一个数据集，请查看我们的 Kaggle 竞赛教程。