※ 引述《ANGUS582 (ANGUS )》之铭言： : 手机发文，排版请多见谅 : 如题，想请问版上各界的大师，对於业界/学界而言，在kaggle中的featured competit io : n得名或是拿到top 10%/top5%/top1%/in-prize，大概能代表你的能力在哪呢，换句话 来 : 说，就是kaggle的比赛成绩，在面试(就职或读md/phd)能带给你多少优势？ : 会有这问题是因为，sjv这位kaggle的grandmaster在Corporacion的赛後有提出关於kag gl : e的疑虑(https://goo.gl/SwMUjC ,他的文章底部)，其中有像官方的data preprocessi ng : 以及train/test split，而他在下面回文也有提到，好像学界跟一些研究者也不大重视 ka : ggle上的成绩。这让我蛮困惑跟紧张的，小弟在去年加入kaggle，玩到现在也有几个to p1 : 0% : /top5%，虽然过程中真的有学到不少，但主要还是在思考比赛成绩能不能应用在以後的 升 : 学或职涯，如果真的完全如他所说，那还真的挺令人遗憾的。 : 不知道版上的各位大师们有什麽看法呢？ 看你怎麽用kaggle，它有好有坏 就像你说的，kaggle不会接触到资料预处理过程，你不需要会资料库、资料清理、收集、 管理，不需要控制预测时间，甚至不用定义问题，上面这些kaggle都帮你处理好了 你只要『预测』，就算太花时间无法 real time analysis 作为产品上线，跟名次也无关 问题是，上面这些如果都不会， 很难跟业界接轨，只会建model做预测，是无法产品化的 ， 业界你还要说服上级，你的预测是好的，不然上面很难相信你，要上线就有难度，这可不 是做做CV就好了，可惜视觉化也不会算在排名上 当然kaggle也有它的好处 kaggler乐於分享自己的作法，这点对初学者很棒，初学者完全不用考虑资料收集清理的 事，打到前面也很有成就感 如果一开始就做 data clean ，可能就没人想来这块了XD 在kaggle上，你可以接触各种问题，有非常不同的data给你玩，你进入的公司，可能只专 注在某个问题上，data比较局限 而当你把 data 收集好清理完後，可以直接参考kaggle上前几名的方法，应用在你的问题 上，可以大大减少自己去做 feature engineering、建 model 的时间 kaggle目前已经累积非常多问题的解法，在多样性方面非常棒，作为参考是个不错的平台 ，可以加以修改再套用到自己的产品上 最後，回到你的问题上，对於升学或职涯，单纯只有kaggle是不够的，资料科学可不只有 建 model 做预测，你还有一大堆技能树要点 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 114.137.232.33 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1526702937.A.E50.html ※ 编辑: f496328mm (114.137.232.33), 05/19/2018 12:10:07