Kaggle竞赛实战2 [入门级带打，进阶看集训营]

Kaggle 的“实战”两个字容易让人误解。很多人以为实战就是多看几个高分 notebook、把别人的代码跑通、提交一版再改改参数。真到打一个没见过的比赛，才发现卡住的地方根本不在模型上，而在更前面：看不懂评价指标、不知道怎么划验证集、想不出一个能跑通的基线。这门课面向的就是这个阶段——你已经学过机器学习，但还没独立打完一场比赛。

先看你缺的是哪一块

Kaggle 的能力缺口通常分三层，不是所有人都从第一层开始。

• 第一层是流程缺口：不知道一场比赛从读数据到提交要经过哪些环节，验证集怎么切、提交格式怎么对、线上分数和本地分数对不上怎么排查。
• 第二层是任务缺口：数值特征、图像、文本这三类数据的处理方式完全不同，很多人只熟其中一种，换一类就无从下手。
• 第三层是打法缺口：特征怎么造、模型怎么选、多模型怎么融合，以及什么时候该放弃调参转去做特征。

如果你连第一层都没走顺，直接去看别人的高分方案，收益很低——你会抄到做法，但抄不到判断依据。这门课把前两层铺开讲，第三层留了动手空间，靠你自己在比赛里磨。

课程覆盖的比赛类型

内容按比赛类型推进。开始是结构化数据类的入门赛，用来把竞赛流程走一遍：读题、看指标、做基线、提交、看榜单反馈。这一段的目标不是拿名次，是让你形成一套可重复的流程。

之后进入深度学习部分，重点不是讲网络结构理论，而是讲在竞赛条件下怎么用：预训练模型怎么选、数据量不够时怎么增强、训练轮次和验证策略怎么配合。再往后是计算机视觉竞赛和自然语言处理竞赛，这两块各自有典型的处理套路，比如图像任务里的数据增强和交叉验证，文本任务里的分词、预训练微调和后处理。

需要注意标题里的分档说明：入门级的比赛跟着做，思路和代码能对上；进阶内容放在集训营里讲，强度更高，适合已经完整打过一两次比赛的人。不要一上来就冲进阶部分，容易变成看热闹。

学完应该能回答这些问题

用能否回答来检验比“学完能做什么”更实在。打完这门课，下面这些你应该能给出自己的答案：

• 给你一个没见过的比赛，你第一步看什么，第二步做什么？
• 为什么本地验证分数很高，提交上去却掉了？可能的原因有哪几类？
• 同一个比赛，特征工程和模型调参，时间该往哪边多放？
• 图像和文本任务在数据划分上有什么不一样的处理？
• 什么时候值得做模型融合，什么时候融合只是白费算力？

这些问题的答案没有标准版，只有你自己打过的比赛能给出。所以边看边打，是这门课唯一正确的用法。挑一个正在进行的比赛，哪怕名次很靠后，也比把课程看两遍强。

适合谁，不适合谁

适合：学过 Python 和基础机器学习，会调库但没独立提交过比赛的人；转岗到数据方向、需要拿竞赛经历说明能力的人；做过一两个比赛但成绩一直卡在中下游、想系统补流程的人。

不适合：还没写过数据处理的代码、指望课程替你把比赛打完的人；想靠一两节课直接冲奖牌区的人。竞赛成绩靠的是提交次数和复盘次数，课程只能帮你少绕弯路。

如果你手里已经有一个想打但迟迟没开始的比赛，可以边看边做，遇到卡点回去查对应章节。不求一次看懂，先把流程跑通一遍。