入门赛：有很多比较有特色的比赛，但是没有奖金池。它们提供了易于处理的数据集、大量的教程和循环的提交窗口，这样你可以随时参加比赛。

入门赛比较适合初学者，因为它给了你一个低风险的学习环境。同时，你还能得到许多社区、论坛创建的教程。

步骤5: 学习经验教训，而不是关注收益

有了上述基础，大显身手的时候到了！

一般来说，参加Kaggle比赛需要很多时间和精力，还要合理安排。因此，建议你明智地选择对手。尽量参加能使你实现长期目标的竞赛，获取其中的技术和技巧。

虽然奖金很诱人，但更有价值(更可靠)的奖励是你可以获得为自己的职业发展所需要的技能。

在Kaggle比赛中节约时间的7个小技巧

技巧1:设定递增目标

如果你玩过“Addicting Games”游戏，就会知道递增目标的魅力。这就是能让你着迷的，很牛的游戏的手段。每一个目标都足够大，足以让人有成就感，但却足够现实，让你触手可及。

大多数的参赛者都不可能一上来就赢得一场比赛，如果你把赢一场作为你的第一个目标，那么很容易感到气馁，在尝试了几次之后就失去动力了。循序渐进的目标会使你的kaggle之旅更加愉快。

例如：

1.在一场比赛中得分居于前50%。

2.在一场比赛中得分居于前25%。

3.在一场比赛中得分居于前10%。

4.赢得比赛!

这个策略可以让你在参赛过程中衡量自己的进步和改变。

技巧2:查看最流行的参赛者内核

Kaggle有一个很棒的特点，参赛者可以提交内核——一种简短的脚本，可以探索一个概念，展示一种技术，甚至可以共享一个解决方案。

当你开始一场比赛，或者当你达到一个顶峰时，回顾流行的内核可以激发出更多的想像。

技巧3:在论坛上提问

不要害怕问“愚蠢” 的问题。你会有很多收获，包括来自经验丰富的数据科学家的建议和指导。

技巧4:独立开发核心技能

一开始，建议你单独工作。这将迫使你独立处理应用机器学习过程的每一个步骤，包括探索性分析、数据清理、特性工程和模型培训。

如果你过早地开始合作，你可能会错过发展这些基础性技能的机会。

技巧5:利用团队合作突破瓶颈

也就是说，在未来的比赛中进行合作可能是一个很好的方式，向其他人学习，突破个人局限。过去，许多赢家都是团队，他们联合起来就意味着把更多优秀的知识结合起来。

此外，一旦你掌握了机器学习的技术，你就可以与比你有更多领域知识的人合作，进一步拓展自己的能力。

技巧6:记住，Kaggle也可能只是一个垫脚石

记住，开奖，你并不一定要成为一个长期的“竞技高手”。如果你发现你不喜欢这种模式，那也没什么大不了的。

事实上，许多人在开始自己的项目或成为全职数据科学家之前，只是把Kaggle当作垫脚石。

这也是你应该尽可能多地专注于学习的另一个原因。从长远来看，参加Kaggle最好的目标是获得相关经验，而不是追逐最多的奖金。

技巧7:不要担心等级低

一些初学者不敢参加比赛，因为他们担心别人看到自己的低级别而感到难为情。当然，竞技焦虑是一种真实的现象，并不只局限于Kaggle。

然而，低级别并不是什么大问题。没有人可以评判你，因为他们都是初学者。