Как изучать ML на практике: маршрут через Kaggle

Если хочется перейти от теории к работающему коду, Kaggle закрывает сразу несколько задач: даёт короткие курсы, датасеты, ноутбуки и соревнования в одном месте.

Оптимальный маршрут: Python → Pandas → Intro to Machine Learning → Intermediate ML → Feature Engineering → XGBoost → Deep Learning.

После каждого курса стоит сразу открывать ноутбук и повторять материал на небольшом датасете. Для первого проекта хорошо подходит Titanic: задача понятна, данные открыты, а результаты можно сравнивать с публичными решениями.

Не копируйте чужой код механически. Разберите, какие признаки выбраны, как обработаны пропуски и почему модель ошибается. Так обучение превращается в портфолио: задача, подготовка данных, модель, метрики, выводы.

Начинал так сам, достиг Competition Expert много лет назад - интересно, что поменялось за эти 5 лет на платформе)

Подробнее в моём Telegram-канале «Идеи для ИИ — Андрей Анисимов», ссылка в профиле.