In diesem ersten Kapitel lernst du den Ablauf einer Kaggle-Competition kennen. Du trainierst ein Modell und bereitest eine CSV-Datei für die Einreichung vor. Du lernst den Unterschied zwischen Public- und Private-Test-Splits kennen und wie du Overfitting verhinderst.

Überblick über Wettbewerbe

Train-Daten erkunden

Testdaten erkunden

Bereite deine erste Einreichung vor

Bestimme den Problemtyp

Ein einfaches Modell trainieren

Eine Einreichung vorbereiten

Public vs. Private Leaderboard

Welches Modell overfittet?

XGBoost-Modelle trainieren

Overfitting mit XGBoost untersuchen

Ablauf von Kaggle-Competitions

Jetzt, da du die Grundlagen von Kaggle-Competitions kennst, lernst du, das konkrete Problem zu analysieren. Du übst EDA und legst korrekte lokale Validierungsstrategien fest. Außerdem lernst du Daten-Leakage kennen.

Das Problem verstehen

Den Problemtyp verstehen

Lege eine Wettbewerbsmetrik fest

Erste EDA

EDA-Statistiken

EDA-Plots I

EDA-Plots II

Lokale Validierung

K-Fold-Cross-Validation

Stratifiziertes K-Fold

Validierung verwenden

Time K-Fold

Gesamter Validierungsscore

Ab in die Competition

Du lernst nun verschiedene Typen von Features kennen. Du passt bestehende Features an und erstellst neue. Außerdem behandelst du fehlende Daten angemessen.

Feature Engineering

Arithmetische Features

Datumsfeatures

Kategorische Features

Label-Encoding

One-Hot-Encoding

Target Encoding

Mean Target Encoding

K-fold-Cross-Validation

Über binäre Klassifikation hinaus

Fehlende Daten

Fehlende Daten finden

Fehlende Daten imputieren

Zeit, alles zusammenzuführen und Modelle zu bauen! In diesem letzten Kapitel erstellst du ein Basismodell, stimmst anschließend Hyperparameter ab und verbesserst deine Ergebnisse mit Ensembles. Zum Schluss bekommst du noch ein paar Tipps und Tricks, damit du effizienter an Wettbewerben teilnimmst.

Baseline-Modell

Validierungsscore reproduzieren

Baseline auf Basis des Datums

Baseline mit Gradient Boosting

Hyperparameter-Tuning

Grid Search

2D-Grid-Search

Model-Ensembling

Model Blending

Model-Stacking I

Model Stacking II

Letzte Tipps

Kaggle-Forum-Ideen testen

Wähle die finalen Einsendungen aus

Abschließende Gedanken

Modellierung

Demand forecasting (train)

Demand forecasting (test)

House prices (train)

House prices (test)

Taxi rides (train)

Taxi rides (test)

Kaggle ist die bekannteste Plattform für Data-Science-Wettbewerbe. An solchen Wettbewerben teilzunehmen ermöglicht dir, mit realen Datensätzen zu arbeiten, verschiedene Machine-Learning-Probleme zu erkunden, dich mit anderen zu messen und dabei unschätzbare Praxis zu sammeln. In diesem Kurs lernst du, wie du jede Data-Science-Competition angehst und strukturierst. Du wirst in der Lage sein, das richtige lokale Validierungsschema zu wählen und Overfitting zu vermeiden. Außerdem beherrschst du fortgeschrittenes Feature Engineering sowie Verfahren zum Ensembling von Modellen. All diese Techniken wendest du auf Datensätze aus Kaggle-Competitions an.

Extreme Gradient Boosting with XGBoost

Erfahren Sie, wie man Kaggle-Wettbewerbe gewinnt: Richtige Strategie und Validierung wählen.

Eine Kaggle-Competition in Python gewinnen

Dieser Kurs richtet sich an alle Data Scientists, die Kaggle-Competitions angehen und gewinnen wollen.

Wissenschaftler für maschinelles Lernen in Python

Den Problemtyp verstehen

Eine Kaggle-Competition in Python gewinnen

Interaktive Übung