Accéder au contenu principal

cours

Winning a Kaggle Competition in Python

Avancé

Updated 12/2024

Learn how to approach and win competitions on Kaggle.

Commencer le cours gratuitement

Inclus gratuitementPremium or Teams

PythonMachine learning4 heures16 vidéos52 exercices4,200 XP18,631Déclaration de réalisation

Créez votre compte gratuit

Google LinkedIn Facebook

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.

Formation de 2 personnes ou plus ?

Essayer DataCamp for Business

Apprécié par les apprenants de milliers d’entreprises

Description du cours

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.

Conditions préalables

Extreme Gradient Boosting with XGBoost

1

Kaggle competitions process

Commencer le chapitre

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

2

Dive into the Competition

Commencer le chapitre

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

3

Feature Engineering

Commencer le chapitre

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

4

Modeling

Commencer le chapitre

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

Winning a Kaggle Competition in Python

Cours
terminé

Earn Déclaration de réalisation

Ajoutez ces informations d’identification à votre profil LinkedIn, à votre CV ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance

Inclus avecPremium or Teams

S'inscrire maintenant

Inscrivez-vous 15 millions d’apprenants et commencer Winning a Kaggle Competition in Python Aujourd’hui!

Créez votre compte gratuit

Google LinkedIn Facebook

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.