Kaggle數據科學競賽

1. 競賽類別

• 特色競賽（Featured Competitions）：特色競賽是Kaggle最具代表性的競賽類型，通常提供豐厚的現金獎勵，並聚焦於複雜的商業預測問題。這類競賽多由企業或機構發起，旨在解決真實世界中的資料科學問題，例如保險理賠預測、文本分類或房地產價格預測等。代表性競賽包括Allstate Claim Prediction Challenge、Jigsaw Toxic Comment Classification Challenge以及Zillow Prize。雖然這些競賽吸引了許多頂尖資料科學專家參與，但仍然向所有參賽者開放，參與者也能透過學習社群中的優秀解決方案來提升自己的技能。
• 研究型競賽（Research Competitions）：研究型競賽通常具有實驗性質，主要聚焦於特定研究領域的問題，例如影像辨識或大規模文本分類等。這類競賽往往沒有明確或唯一的最佳解決方案，其目的在於推動相關領域的技術探索與創新。例如Google Landmark Retrieval Challenge與Right Whale Recognition等競賽都屬於研究型競賽。由於這類競賽更偏向學術研究與技術探索，因此通常不提供獎金，但非常適合希望深入研究資料科學問題的參與者。
• 入門競賽（Getting Started Competitions）：入門競賽是專為初學者設計的Kaggle競賽類型，旨在幫助新手學習資料科學與機器學習的基本流程。這類競賽通常提供詳細的教學與範例，讓參賽者能逐步學習如何處理資料、建立模型並進行預測。典型的入門競賽包括Titanic: Machine Learning from Disaster以及Housing Prices: Advanced Regression Techniques。這些競賽通常設有持續更新的排行榜機制，新使用者可以隨時加入並參與挑戰，非常適合剛接觸Kaggle的學習者。

2. 競賽格式

標準競賽（Simple Competitions）：

• 參賽者在接受競賽規則後下載資料集，在本地端或Kaggle Notebook中建立模型並提交預測結果。
• 示例：Porto Seguro Safe Driver Prediction

兩階段競賽（Two-stage Competitions）：

• 競賽分為兩個階段：第一階段與第二階段。在第二階段會提供新的測試資料集，只有參與第一階段的參賽者才有資格進入第二階段。
• 示例：Nature Conservancy Fisheries Monitoring

程式碼競賽（Code Competitions）：

• 所有提交都必須透過 Kaggle Notebook 完成，以確保參賽者擁有相同的運算資源環境。由於平台對執行時間、記憶體及外部資料使用等設有運算限制，因此模型通常較為簡化。
• 示例：Quora Insincere Questions Classification

3. 備賽資源

更多入門資源可在Kaggle官方網站上找到。