Todo lo que tienes que saber sobre Kaggle
En el campo de Machine Learning, hay demasiados recursos disponibles, hay miles de lugares en línea para aprender sobre esta área, sin embargo, si eres de los que les gusta saltar la teoría y aprender haciendo, Kaggle es la mejor opción disponible para expandir tus habilidades a través de proyectos prácticos de Machine Learning.
Definición
Kaggle es una popular plataforma con excelentes recursos para aquellos que quieran aprender Machine Learning e inclusive ciencia de los datos. Es un lugar perfecto para practicar ya que contiene varios dataset libres en donde puedes ir poco a poco desarrollando tus habilidades de Machine Learning.
Cuenta con varias competiciones de Machine Learning que tienen más de 1 millón de dólares de premios y cientos de competidores. Los mejores equipos cuentan con décadas de experiencia combinada, abordando problemas ambiciosos como la mejora de la seguridad aeroportuaria o el análisis de datos satélites.
Por esta razón es muy común que si eres principiantes dudes en comenzar en Kaggle, e inclusive tengas algunas de las siguientes inquietudes:
- ¿Cómo empiezo?
- ¿Me enfrentaré con equipos experimentados con más experiencia?
- ¿Vale la pena competir si no tengo ninguna posibilidad de ganar?
- ¿Las competencias acá mostradas son como los trabajos en la vida real?
Bueno si alguna vez has tenido algunas de esas preguntas, estás en el lugar correcto porque acá explicare todo lo que debes saber sobre Kaggle.
Primero que debes entender que Kaggle es un gran lugar para aprender, ya sea a través de tomar los datos y que aprendas por tu cuenta o compitiendo en las competencias.
Si te gusta aprender de manera práctica este es el lugar ideal ya que este método de enseñanza es mucho más agradable y efectivo, además la comunidad es extremadamente solidaria y siempre está dispuesta a responder preguntas o proporcionar comentarios constructivos sobre los proyectos.
Características generales de Kaggle
Competiciones: esta es la razón de que Kaggle se haya creado, estas pruebas de habilidad de modelado de Machine Learning son una excelente manera de aprender las técnicas en esta área y perfeccionar tus habilidades en problemas interesantes utilizando datos reales.
Dataset o conjuntos de datos: se dispone de decenas de miles de conjuntos de datos de todos los tipos y tamaños diferentes que puedes descargar y usar de manera gratuita. Este es el lugar ideal si estás buscando datos interesantes para explorar o poner a prueba tus habilidades con los algoritmos de Machine Learning.
Kernels: estos son entornos de programación en línea que se ejecutan en los servidores de Kaggle, se puede escribir scripts en Python, R o Julia. Estos núcleos son completamente gratuitos y son un gran recurso ya que no tienes que preocuparte en configurar ni instalar nada en tu computador. Los kernels se pueden utilizar para analizar cualquier conjunto de datos y competir en competiciones de Machine Learning. Puedes copiar y construir en kernels existentes de otros usuarios y compartirlos con la comunidad para obtener comentarios.
Discusiones: es un lugar para hacer preguntas y obtener consejos de miles de expertos en la comunidad de Kaggle.
Aprender: una serie de pistas de Machine Learning y de la ciencia de datos que cubren SQL y Deep Learning, todos usando Jupyter Notebooks.
Entorno de Kaggle
Conociendo las características generales de Kaggle veamos ahora con más detalle lo que podemos encontrar acá. Los dos concursos que son más adecuados para principiantes y que tienen sus propios tutoriales son predecir la supervivencia en el Titanic, un problema de clasificación binaria, y los precios de las viviendas, un problema de regresión. Es recomendable, si eres principiante realizar ambos para que vayas entendiendo el entorno.
Al acceder a cualquier de estos te vas a encontrar con varias pestañas, expliquemos cada una de ellas:
Descripción: en esta se realiza una descripción general de cada competencia, puedes ver información básica sobre la competencia y sus conjuntos de datos, la métrica de evaluación por la que se puntuarán las propuestas y las preguntas frecuentes específicas de la competencia.
Datos: puedes ver una breve descripción de los datos. Acá, por lo general, encontrarás tres archivos, train.csv, test.csv y data_description.txt, este último es muy importante ya que contiene una descripción mucho más detallada de los datos.
Kernels: ya explicamos este término, pero ten en consideración que esta pestaña es muy importante para explorar cómo principiante. Acá puedes explorar distintos kernels de los usuarios para observar la metodología usada por ellos, así como explicaciones, visualizaciones y resultados de la competencia. Sin embargo, en ocasiones los kernels pueden ser abrumadores, carentes de explicaciones conceptuales o asumiendo conocimiento previo, en otras palabras, a menudo muestran lo que funciona, pero a veces no cómo llegaron allí o por qué funciona, por lo que hay que buscar bien dentro de esta pestaña.
Discusiones: este es otro término ya explicado, este es un foro específico de la competencia, sin embargo, no lo subestimes, en las competencias populares, a menudo contiene información valiosa, ya que los términos de la competencia a veces requieren que los participantes compartan públicamente cualquier información externa que utilicen en el tablero de Discusiones.
Líderes: acá se muestra los usuarios o equipos que se entran arriba en la competencia.
Reglas: en esta pestaña se muestra las reglas de las competencias, esta es muy importante leerlas si estás participando en competencias de alto nivel.
Equipos: gestiona a los miembros de tu equipo si decides formar un equipo.
Mis envíos: ve tus presentaciones anteriores y selecciona las últimas para usar en la competencia.
¿Cómo utilizar Kaggle?
Si ya conoces lo básico de Kaggle ahora te voy a explicar como empezar a utilizarlo:
Paso 1: elige un lenguaje de programación
Lo primero que debes hacer es elegir un lenguaje de programación y seguir con él, puedes elegir entre Python, R o Julia, los dos primeros son los más populares en Kaggle y en la comunidad. Si apenas te estás iniciando te recomiendo que elijas Python porque es un lenguaje de programación de propósito general que puede usarse de principio a fin, además tiene una comunidad muy amplia en donde podrás encontrar solución a dudas y problemas que encuentres con él.
Paso 2: aprende los conceptos básicos de la exploración de datos
Este paso se refiere a realizar un análisis exploratorio, es decir la capacidad de cargar, navegar y trazar los datos. Este sería el primer paso en cualquier proyecto ya que acá te informas de las diversas decisiones que puedes tomar a lo largo del entrenamiento del modelo.
Paso 3: entrena tu modelo de Machine Learning
Acá la clave es desarrollar los buenos hábitos para el desarrollo de proyectos de Machine Learning, como dividir el conjunto de datos en conjuntos de entrenamiento y de prueba por separado, validación cruzada para evitar el sobreajuste y el uso de métricas de rendimiento adecuadas.
Tienes que tomar en cuenta que las competiciones de Kaggle, se dividen en varias categorías:
Destacados: por lo general, están patrocinados por empresas, organizaciones o incluso gobiernos, por lo tanto, ellos tienen los mayores fondos de premios.
Investigación: están orientadas a la investigación y tienen poco o ningún premio en efectivo.
Reclutamiento: son patrocinados por empresas que desean contratar especialistas en esta área. Estas son poco comunes.
Primeros pasos: estos están estructurados como concursos destacados, pero no tienen grupos de premios. Ofrecen conjuntos de datos más sencillos, muchos tutoriales y posibilidad para ingresar los modelos en cualquier momento. Estos precisamente son los ideales si estas aprendiendo ya que cuenta con el respaldo de muchos tutoriales creados por la comunidad.
Un buen método para lanzarse a una competencia es encontrar algún proyecto que te interese o te llame la atención y dentro de él buscar algún kernel que alguien haya compartido con una buena puntuación en la tabla de líderes, mover el kernel, editarlo para intentar mejorar el puntaje y luego ejecutarlo para ver los resultados. Luego, haz el kernel público para que otros puedan usar tu trabajo e inclusive para realizar comentarios, de esta forma es muy fácil aprender y mejorar las habilidades.
¿Practicando en Kaggle puedo salir al campo laboral?
Kaggle es un lugar perfecto para practicar ya que contiene varios dataset libres en donde puedes ir poco a poco desarrollando tus habilidades de Machine Learning.
A pesar de todo esto, la forma de cómo se presentan los datos en Kaggle no es como normalmente lo encontramos en la vida real, acá los datos se encuentran casi en su totalidad preprocesado, y prácticamente entregados en bandeja de plata. En la vida real obtener los datos no es tan fácil, pero sobretodo, estos, no se encuentran para nada limpios por lo que hay que hacer un trabajo riguroso para su limpieza.
El preprocesamiento de los datos es una parte fundamental en todo proyecto de Machine Learning, la forma en que se realice te proporcionará resultados óptimos en el desarrollo de los modelos.
Si quieres entrar al campo laboral en el área de Machine Learning, es que combines proyectos desarrollados en Kaggle junto con proyectos con dataset públicos de empresas o gobiernos, en la red podrás encontrar bastante información al respecto, inclusive existen muchos gobiernos de países de Latinoamérica que tienen publicada esta información, de manera gratis, que pueden ser utilizados para desarrollar proyectos innovadores en el área de Machine Learning, tenlo por seguro esto tendrá más valor que cualquier proyecto de Kaggle.
Entonces es recomendable desarrollar proyectos de Kaggle sobretodo si estas empezando porque acá encuentras muy buenas herramientas en tu aprendizaje, pero a medida que vayas avanzando en tus aprendizaje te aconsejo que utilices otros dataset para realizar proyectos por tu cuenta, de esta forma te darás cuenta de tus fortalezas y tus fallas.
Y al final con todo esto en conjunto puedes armar una buena hoja de vida que puedas presentar en los trabajos.
Si te llamo la atención todo este contenido y te animaste a empezar a estudiar Inteligencia Artificial, he desarrollado un curso que te ayudará, de igual forma a iniciar tu camino dentro de está tecnología. Este curso te sentará las bases y te dará más claridad para poder seleccionar el enfoque o área que más te interese sobre la Inteligencia Artificial, de igual forma te ayudará tener más claridad en muchos conceptos que seguramente en estos momentos te parece confusos. Este curso es ideal si apenas estás empezando. Si quieres más información puedes ingresar a este enlace.
muy interesante este software.
soy principiente por lo tanto,no seria justo dar un comentario profundo.
vere con el tiempo…
mucha gracias
Muy agradecido por la información ya que soy principiante y como tal ando estudiando y explorando sobre el machine learning, asi que como está estructurada esta introcucción es excelente para organizar mejor la carrera.
Muchas gracias José Miguel, espero que la información que publico te este ayudando en tu aprendizaje. Saludos.
Estoy interesado en el programa, esto quiere decir que me voy a investigar y participar soy principiante.
Hola Felix, me alegra tu interes, en esta página web podrás encontrar bastante información que seguramente te ayudará en tu aprendizaje. Saludos.
Hola, en estos momentos esto haciendo los primeros pasos en kaggle, la verdad que me ha gustado mucho la metodología de enseñanza/práctica. Ahora, mi consulta es la siguiente, ¿Dan Certificaciones?, y en caso que si lo den, ¿Cómo se obtiene?.
Muchas Gracias!
Hola Omar, Kaggle no da certificaciones. Kaggle es una plataforma que pone a disposición bases de datos que puedes utilizar para tu aprendizaje, así como espacios en donde se explica temas puntuales sobre el campo de la Inteligencia Artificial. Saludos.
estoy muy interesado en aprender con Kaggle, soy principiante en estos temas de IA. Tengo una duda ¿Kaggle también esta en español ?…
Hola Miguel, la plataforma como tal no está en español, pero podrás encontrar usuarios que tengan notebooks explicados en español. Saludos.