不，Kaggle 不适合学 AI & ML。给本·哈姆纳的回信
不，Kaggle 不适合学 AI & ML。给本·哈姆纳的回信
人工智能和机器学习正在推动各行各业数十亿美元的收入。为了从这些不断增长的机会中受益，学生们纷纷涌向这个领域，他们中的许多人想知道如何获得这些宝贵的技能。他们可能会对丰富的网上资源感到有点失落和不知所措。
在最近的 Quora 会议上，Kaggle 首席技术官 Ben Hamner 概述了他对学习机器学习的建议。
事实上，本·哈姆纳把好的建议和宣传材料混在了一起。这加剧了混乱。事实是，Kaggle 对于现实世界的问题并不那么有用，尤其是如果你想在这个数十亿美元的市场上分一杯羹的话。
在这篇文章中，我提出了另一种更有用、更现实的学习方法。在帖子的最后，我建议一个替代平台， Startcrowd ，来构建真实世界的人工智能产品，而不是统计模型。
从在线课程开始
Start with online courses, but move on quickly!
如果你是从零开始，没有编码技能，也没有数据科学经验，我个人推荐 Codecademy 上的 Python 课程，Coursera 上的吴恩达 ML 课程，Udacity 上的数据科学导论，以及关于卷积神经网络和 NLP 的斯坦福课程。还有许多其他好的课程，每天都有新的课程出现，但不要停留在这个热身阶段。尽快跳起来练习。
找到一个你喜欢的问题，然后建立一个快速的解决方案
Pick ideas from various sources
我基本上同意本在他的文章中概述的前两步。重要的是从你喜欢的问题开始，以便随着时间的推移保持动力。有很多方法可以找到灵感:看看 AI 如何解决你自己的问题。看新闻， Quora 。浏览的学术论文。看看 AI 创业公司在 AngelList 和 F6S 上的作品。而且是的，在某种程度上，看看 Kaggle 。
第二，建立一个快速和肮脏的解决方案。避免重新发明轮子总是更好，所以 Github 和 Stackoverflow 是你最好的朋友。尝试建立在他人的工作之上是一个很好的练习，即使贡献微乎其微。抓住你能找到的任何东西，Kaggle 上可能会有一些好东西。
根据客户反馈改进您的初始解决方案
我强烈反对本的第三步。下一步不应该是提高初始解决方案的性能。这是一个大错误。
相反，是时候开始行动了:准备一个演示。向潜在用户展示您的解决方案。将你的模型包装成一个网络应用程序，一个可视化，一个视频剪辑，一篇博客文章，等等。例如，我准备了一个简单的面部识别演示，基于 OpenFace 库:
Show a demo to get feedback
除了数据科学之外，与用户交流可能需要额外的技能:其他编码技能(HTML、Javascript、SQL、devo PS……)、讲故事，或者仅仅是人类社交技能。在这里，与其他人合作会很有效。
所以为了改进，听听用户的反馈。您需要以客户为中心的解决方案，而不是以数据为中心的解决方案。Kaggle 排行榜有那么重要吗？它能支付你的账单吗？
在我的面部识别演示中，反馈主要是隐私问题:许多人仍然觉得面部识别令人讨厌。很少有人担心 OpenFace 只有 91%的准确率。
找出你的解决方案没有被采纳的原因:是客户接触(营销…)？用户体验(设计…)？时机和有用性(产品-市场适合…)？还是模型性能差？
如果性能确实是个问题，那么你可以遵循 Ben 的第三个建议:获取更多数据，改进数据清理，或者像 Kaggle 玩家一样优化模型。
快速迭代并构建您的真实项目组合
如果你的产品符合市场，恭喜你，继续前进。否则，要坚持。或者用另一种产品再试一次，或者用另一个市场，看你的心情。
为了更快地迭代，遵循“先卖，后建”的方法:首先关注营销和销售方面的东西，抛出一个没有自己产品的登陆页面(就像我在这里做的)，如果你吸引了客户的注意力，就建一个原型。在采用这种方法之前，最好先掌握构建原型的技巧。
如果你所有的计划都失败了，你的现金用完了，那么你可以开始面试机器学习的职位。通过与世界上最好的雇主一起工作，你现在有了一份令人惊叹的简历:你。
在求职面试中，招聘人员会欣赏你在现实世界中的经历，以及你对人工智能行业的深刻理解。这将比你过度设计的 Kaggle 解决方案更令人印象深刻。
不要在 Kaggle 上浪费你的时间
Kaggle 是狭窄的。在一场与成千上万的参与者对抗的 Kaggle 比赛中尽你最大的努力是一种可怕的浪费，并且有巨大的机会成本:有如此多的原始问题存在，却没有人去解决。在自己的比赛中成为第一名。你应该强迫自己去发现那些机会，而不是等着被 Kaggle 一勺一勺喂。这是对每个人都在谈论的数十亿美元人工智能进行投资的最佳方式。
如果(像体育一样)将竞争置于一切之上，科学就会被毁掉。伯努瓦·曼德尔布罗
另一方面，考虑到赞助商奖品的价值和大量的竞争者，平均卡格勒的期望工资率低于 2 美元/小时。
醒醒吧，离开这个狡猾的剥削计划。
该不该加入另类平台学习 ML &AI？
Platforms should be community-owned, to avoid acquisitions by big corporations
Kaggle 肯定不是数据科学的家园:也许是数据科学的体育场，或者只是它的沙箱。数据科学是无家可归的，这个领域太广了，不能局限于单个平台。
不过我还是觉得学习 AI 可以通过合适的平台来促成。毕竟 Github 和 Stackoverflow 是真正有帮助的平台，一定程度上填补了这个需求。
在我概述的备选研究过程中，有许多痛点:很难获得市场能见度，很难与其他人合作，等等。一般来说，孵化器和加速器应该解决这些痛点。然而，它们往往是不够的。这就是为什么我建议一个新的平台来构建 AI 产品。在我看来，这个平台应该是:
- 社区所有，设计上不可及。
- 真正的协作:积累贡献应该是平台的核心，而不是像 Kaggle 那样的副产品。
- 奖励高质量的贡献，避免“柠檬问题”。
我准备了一个非常初步的原型，来看看这里。
协同打造 AI 产品www . start crowd . club
