kaggle竞赛是什么？11-12月最新kaggle竞赛项目介绍

01kaggle人工智能挑战赛介绍

Kaggle是由 Anthony Goldbloom 和 Ben Hamner创立于2010年的全球最大的数据科学社区和数据科学竞赛平台，2017年被Google收购。Kaggle以数据挖掘起家，为了快速高效的解决最棘手的问题，该平台发布了众多数据科学、机器学习相关的竞赛。

从公司的角度来讲，可以提供一些数据，进而提出一个实际需要解决的问题；从参赛者的角度来讲，他们将组队参与项目，针对其中一个问题提出解决方案，最终由公司选出的最佳方案可以获得5K-10K美金的奖金。

kaggle是全球顶级的权威性数据科学竞赛平台，也是当今最大的数据科学家、机器学习开发者社区，其行业地位独一无二。

02kaggle竞赛含金量

权威科学平台

kaggle是全球顶级的权威性数据科学竞赛平台，也是当今最大的数据科学家、机器学习开发者社区，其行业地位独一无二。

它在 2010 创立，专注于举办数据科学周边的线上竞赛。

助力申请

从丰富简历的角度来看，kaggle比赛在全球的认可度都很高，一个好看的比赛排名绝对是申请利器！而且竞赛是论文最好的练兵场，如果能将项目成果拓展成论文发到顶会，更是极大的申请加分点。

项目收获

●全面且有针对性地分析具体项目的代码能力

●多种模型优化实战方法及理论特性探索能力

●个人背景中证明实力的项目经历和面试素材

职业发展和社区交流

参与Kaggle竞赛不仅能提升技能和积累经验，还能在职业发展上带来好处，如获得业界关注和认可，为未来的就业或进一步学习打下基础。同时，Kaggle平台上的讨论区和论坛等功能，也有助于参赛者与其他数据科学家和机器学习爱好者交流心得、分享经验。

03kaggle竞赛规则

01kaggle竞赛适合人群

●对数据科学、计算机、人工智能等方向感兴趣的学生。

●对数据科学、数据挖掘、机器学习感兴趣的高中生

●有一定计算机背景的大学生

02kaggle竞赛规则

比赛时间：全年线上，视想要参与的项目决定

参与形式：3-5人组队参赛或/1v1定制；线上进行挑战

竞赛模式：

🔺Kaggle上的挑战有各种分类，例如奖金极高竞争激烈的的 “Featured”，相对平民化的 “Research”等等。但他们整体的项目模式是一样的，就是通过出题方给予的训练集建立模型，再利用测试集算出结果用来评比。

🔺同时，每个进行中的竞赛项目都会显示剩余时间、参与的队伍数量以及奖金金额，并且还会实时更新选手排位。在截止日期之前，所有队伍都可以自由加入挑战，或者对已经提交的方案进行完善，因此排名也会不断变动，不到最后一刻谁都不知道花落谁家。

🔺由于这类问题并没有标准答案，只有无限逼近最优解，所以这样的模式可以激励参与者提出更好的方案，甚至推动整个行业的发展。

🔺Kaggle另一个有趣的地方在于每个人都有自己的Profile，上面会显示所有自己参与过的项目、活跃度、实时排位、历史最佳排位等，不仅看上去非常有成就感，更能在求职和申请的时候起到Certificate的作用。

03kaggle比赛类型

1.getting star(入门级)

难度系数：♦

适合人群：Getting Started是kaggle难度最低的比赛，非常适合入门学习。

2.playground(进阶级)

难度系数：♦♦♦

适合人群：难度稍微高一点，但也不会太高，主要面向打过初级比赛后，想要尝试增加难度的新手。

3.Featured(高级)

难度系数：♦♦♦♦♦

适合人群：Featured是商业公司的比赛，在赛题背景和难度上都更难，适合深入学习。

4.Research(研究级别)

难度系数：♦♦♦♦♦

适合人群：Research是学术类型的比赛，在赛题景和难度上都更难，适合深入学习。

0411-12月最新kaggle项目推荐

预测蒙特卡洛树搜索的哪些变体在数百场棋盘

游戏中表现良好或较差

比赛类型：Research(研究级别)

比赛链接：https://www.kaggle.com/competitions/um-gameplaying-strength-of-mcts-variants

比赛目标：

预测不同蒙特卡洛树搜索(MCTS)算法在各种棋盘游戏中的表现。

具体来说，参赛者需要构建一个模型，来预测某个MCTS变体在与其他变体对抗时的胜负情况该竞赛旨在评估MCTS算法在不同游戏场景中的优势和劣势，帮助研究人员更好地理解哪种算法适合特定类型的游戏

关联学科方向：

计算机科学与技术、人工智能、数学、统计学

组队人数：3人/队

预测选择题中错误概念与错误答案（干扰项）

之间的关联性

比赛类型：Featured(高级)

比赛链接：https://www.kaggle.com/competitions/eedi-mining-misconcetions-in-mathematics/overview

比赛目标：

开发一个机器学习模型，用于预测学生在选择数学多项选择题中的错误答案时会出现哪些误解。具体来说，该比赛旨在通过学生的错误选择(称为干扰项)来识别他们在特定数学概念上的误解这个模型的最终目标是帮助教育工作者快速识别学生的错误理解，从而提供更有针对性的辅导，并通过自然语言处理(NLP)和机器学习技术提高误解标记的效率

关联学科方向：

数据科学和机器学习、教育技术、统计学和数学、自然语言处理(NLP)

组队人数：3人/队

04kaggle竞赛资料