【转载】 数据科学转行大忌，一做Kaggle误终生 (李果 Techlent )

[Datura]

数据科学转行大忌，一做Kaggle误终生

kaggle是一个机器学习的比赛平台。有不少的公司会把自己的数据放在上面，让世界各地的参赛者帮他们建模型。他们同时也提供一定的资金，奖励那些模型精度最高的几个队伍。

现在，每次比赛都会有好几千的队伍参加。虽然绝大多数的人都拿不到奖金，但是通过这些比赛，大家可以获得用机器学习模型解决实际问题的第一手经验。而且，大家在总想努力提高自己的排名，就会不断尝试各种方法，从而迫使自己不断地学习总结，在比赛中充分地锤炼自己的知识和技术。此外，许多参赛者会把自己的部分解决方案放在讨论区。通过学习这些公开的解决方案，大家可以有效地吸收别人的经验，很好地加强自己相关知识的深度和广度。

从找工作的角度来讲，如果能在比赛中拿到比较好的名次，也可以提高自己拿到面试的几率。如果，你是一个kaggle master，很多公司都会愿意给你提供面试机会。

但是，我不推荐转行的同学去做kaggle。

第一，并不是所有数据科学岗位都需要机器学习知识。比如像 data analyst 和 analytic data scientist 之类的岗位，需要的是对数据的分析和理解，所以在技术面试的时候考的都是 sql，statistics，和 business case study。哪怕在工作中应用机器学习知识，也是侧重于用模型去提取数据中的 insight，强调模型的可解释性，反而对模型精度没有那么高的要求。

第二，在 modeling 比较重的岗位中（比如 NLP data scientist），建模本身也只是日常工作的一小部分。每当接手一个项目，大家首先需要定义问题，把一个产品需求转化成一个可以解决的机器学习问题。同时，根据产品的应用特点，设计能够反映模型价值的衡量指标。然后，收集、筛选、清理数据会需要花很多的时间。如果这些事情都做完了，建模是很快的。而且，比较成熟的 data science team 一般都已经搭建了training pipeline，可能几行命令就行了。我和一个在kaggle上举办过比赛的大牛聊过。他说，从技术贡献上讲，组织kaggle比赛对他们帮助不大。有定义好的问题和指标，还有整理成表的数据，一个项目就已经完成了百分之九十了。

第三，kaggle上的高分模型在工业界中往往是没法用的。除了kernel 赛，一般kaggle比赛中的高分模型都是非常复杂的，会有上百个模型stack在一起。哪怕是可以把这些模型写成稳定的 production code，工作量也是巨大的。而且，比赛中拿高分的很多tricks，实际上都是在ovefit hyperparameters 或者利用 data leakage。比如，classification 问题用 logloss 反推test set 的 base rate，NLP 问题用 test set 数据建立vocabulary，利用隐藏在 indices 中数据收集的 pattern 去建立所谓 magic feature。这些都是真实工作中要极力避免的情况，在比赛中却是千万人中杀出一条血路的独门绝技。所以，有些没有工业界经验的同学做 kaggle 容易走火入魔，影响了自己对机器学习技术应用的认知。

第四，kaggle比赛需要大量的时间和精力投入。每次比赛都会持续两三个月。很多同学刚开始的时候，哪怕没日没夜地做，也就很难排到前20%。这样成绩并不能 impress 面试官。而且，如果你做的不是有奖金的比赛，只是Titanic那些教学性质的比赛，甚至可能会让面试官觉得你太业余。

总而言之，kaggle是一个很好的学习和练习机器学习知识的平台。但是我不推荐转行的同学去做kaggle比赛。通过做kaggle来掌握找工作所需要的技术和知识会事倍功半，甚至有可能被带入歧途。既然我们的目标是找工作，那么就应该根据工作岗位的需求，有针对性地，系统地，充分地准备。