====== LU03a - Plattform Kaggle.com  ======

===== Worum geht es bei Kaggle ===== 
Kaggle ist im Kern eine Lern-, Wettbewerbs- und Austauschplattform rund um Data Science und Machine Learning. Oder anders gesagt: der Ort, an dem Modelle gegeneinander antreten und Egos leise leiden.

{{:de:modul:m245:learningunits:lu02:theorie:kaggle_com.png?800|}}

===== Was stellt Kaggle zur Verfüfung =====

**1. Datasets** - Kaggle stellt tausende offene Datensaetze bereit
  * CSVs, Bilder, Text, Zeitreihen
  * von trivial („Titanic“) bis brutal realistisch
  * geeignet fuers Lernen, Ueben und Scheitern im geschuetzten Raum  
  * Kurz: Daten, ohne erst wochenlang Datenschutzformulare auszufuellen.

**2. Wettbewerbe** - das Herzstueck von Kaggle
  * Man bekommt:
    * einen Datensatz
    * eine Aufgabenstellung (z. B. Klassifikation, Regression)
    * eine Bewertungsmetrik (Accuracy, RMSE, Log Loss, …)
  * Man liefert:
    * ein Modell
    * eine Vorhersagedatei
    * und Lektio in Demut, wenn man auf Platz 12'348 landet
  * Es gibt:
    * Lern-Wettbewerbe (einsteigerfreundlich)
    * Forschungsnahe Challenges
    * Industrie-Wettbewerbe mit Preisgeld

**3. Notebooks** 
  * Interaktive Jupyter-Notebooks im Browser
    * Python, R
    * vorinstallierte Libraries
    * direkter Zugriff auf Kaggle-Daten
  * Man kann
    * eigene Loesungen bauen
    * Code anderer Leute lesen
    * sich fragen, warum deren Feature Engineering funktioniert und das eigene nicht

**4. Kurse** - Kostenlose Micro-Courses zu:
  * Python
  * Pandas
  * Machine Learning
  * Deep Learning
  * Feature Engineering

**5. Community**
  * Diskussionen zu Modellen und Loesungen
  * Erklaerungen zu Gewinneransaetzen
  * Austausch ueber Best Practices

Man lernt hier schnell:
  * wie Profis denken
  * wie viele Tricks es gibt
  * wie wenig „einfach mal ein Modell trainieren“ wirklich ist

**6. Was Kaggle liefert **: Kaggle ist ein Trainingslager fuer Data Science:
  * echte Daten
  * echte Probleme
  * echte Metriken
  * echter Realitaetsschock

**7. Was Kaggle nicht liefert**
  * Kein Ersatz fuer solides Statistik- oder ML-Verstaendnis
  * Keine Garantie, dass dein Wettbewerbsmodell produktionsreif ist
  * Kein Ort fuer „einfach nur Theorie“



[[https://creativecommons.org/licenses/by-nc-sa/4.0/|{{https://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png}}]] Volkan Demir