Kaggle，作为AI和大数据领域无人不知的数据科学，机器学习竞赛和分享平台，至今拥有了百万会员。企业和开发商可以在Kaggle上提供数据并且提供一定的奖金开展竞赛，而数据科学家和爱好者则可以通过参加竞赛为其提供更优化的模型，赚取奖金。只要你能在Kaggle竞赛中获取优秀的成绩，你不仅仅将在这个虚拟世界出名，更会因为这个显赫的经理收获众多大公司抛来的橄榄枝，并且对于申请海外名校的学生来说，也是极其提升学术背景的一项经历。
MERRY CHRISTMAS
# 如何进步如何学习 #
自学数据科学和机器学习很难，也有人不知道从哪里开始学起，如何学习？
数据科学和机器学习相关的领域非常多，想要样样精通很难，因此要先找到自己感兴趣的内容，并充分挖掘它的潜力。
学习方法和路径：
数学是一切的基础，线性代数和微积分是使用的机器学习中最重要的概念。几乎多有的机器学习算法都以这样或那样的方式与这两个领域相关。数据以向量和矩阵的形式表示和处理，因此，理解矩阵的基本运算是必要的。在机器学习中，微积分最常见的用法之一是梯度下降。梯度下降是一种蒜贩，通过使用函数的梯度迭代一步步逼近全局最小值来最小化目标函数；
统计也非常重要，顾名思义，数据科学是关于数据的。虽然计算机可以预测数据的某些趋势；但只有人类可以分析它们，计算某些属性，并最终对数据得出结论。数据的预处理和特征工程在很大程度上依赖于统计学。我零碎地学习统计学，从网上搜集资料，寻找合适地在线课程；
在了解了基础知识后，开始着手编写代码。有了面向对象编程（OOP）和Python的基础知识，我找到了在线课程，教我机器学习中常用的库。与简单地遵循代码和复制粘贴不哦那个，我确保自己理解了代码背后的数学原理。如果你不了解代码的内在运作，你就不可能充分利用所学知识。我从简单的算法开始，例如线性回归，到更复杂的算法，例如神经网格。
|
