• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
machine-learning

Kaggle: cerchi lavoro come Data Scientist?

Kaggle: cerchi lavoro come Data Scientist?

Kaggle è una piattaforma comunitaria di data science e machine learning.

Decine di migliaia di utenti, provenienti da tutto il mondo, si sfidano abitualmente in competizioni, alcune delle quali hanno monte premi di oltre $1,000,000.

Il funzionamento è semplice.

Esistono aziende sponsor che forniscono dati anonimizzati e costruiscono su di essi un problema.

La soluzione, che comprende l’analisi dei dati e lo sviluppo di sofisticati modelli di machine learning, deve essere trovata in una finestra temporale, chiusa la quale viene premiato il data scientist migliore.

Kaggle si configura dunque come un rapporto win-to-win:

  • le aziende risolvono un problema e si fanno pubblicità
  • gli utenti migliorano le proprie conoscenze, generano un portfolio e ottengono visibilità gratuita talvolta convertita in offerte di lavoro.

Kaggle: uno specchio per le allodole?

“Grandissimo Andreeee. Facciamo qualche competizione e otteniamo un lavoro giusto?”

Beh no.

Le differenze tra Kaggle e il mondo reale sono molteplici, e non devono in alcun modo essere sottovalutate.

Fuori dalle competizioni, non esiste alcun criterio che accomuni un problema a un altro. Quindi:

  • Esistono problemi semplici, facilmente risolvibili con il minimo effort.
  • Possiamo riciclare soluzioni esistenti: non è necessario inventare la ruota.
  • Le metriche possono essere assolute: basta che migliori la soluzione precedente.

Trattandosi di competizioni con premi di alto valore, su kaggle la storia cambia:

  • I problemi sono complicati, e certamente non risolvibili in un pomeriggio. Alcuni dedicano persino 60 ore a settimana unicamente a questa piattaforma.
  • Le soluzioni devono essere innovative: ricerche avanzate e algoritmi creati da zero, che accompagnano modelli avanzati.
  • Le metriche sono relative: come in ogni competizione, anche qui è presente una classifica. Vince il migliore!

L’elenco potrebbe continuare.

Le competizioni su kaggle incentivano a massimizzare le performance di un modello, mentre in situazioni reali è preferibile dedicare tempo all’efficienza e a incrementare l’impatto sul business aziendale.

Perché?

“ok, ok, ho afferrato! Distante dalla realtà, meglio lasciare stare!”

Wait a moment!

Per noi AADS (Ambiziosi Aspiranti Data Scientist) Kaggle è un’ottima opportunità, preziosa fonte da cui attingere conoscenza direttamente dai migliori!

Sappiamo che il modo migliore per imparare data science è praticare e sperimentare, e questa piattaforma è la perfetta a tal riguardo.

I dati sono pronti all’uso, così puoi evitare di preoccuparti della loro acquisizione; cosa che non deve essere dimenticata passando nel mondo reale dove è talvolta difficile mettere le mani su di loro.

Le interviste ai vincitori sono illuminanti, poiché possono farti capire la mentalità giusta da adottare. Sono generalmente professionisti, sanno il fatto loro!

Il ring | Categorie di competizione su Kaggle

Le competizioni sono suddivisibili in 4 grandi categorie:

  • Getting Started: prive di premi, comprendono dataset semplici, ricchi di tutorial e con una submission a rotazione, sena obblighi di tempo.
  • Recruitment: competizioni sponsorizzate dalle aziende, volte a individuare candidati da assumere. Sono poco comuni.
  • Research: con premi irrisori, e talvolta nulli, queste competizioni sono orientate alla ricerca e hanno finestre di submission piuttosto ampie
  • Featured: le classiche competizioni sponsorizzate da aziende, organizzazioni e persino governi con monte premi da capogiro!

Per approfondire, dai un’occhiata qui.

Un caldo abbraccio, Andrea.

Written by Andrea Provino - Ottobre 14, 2019
Tags | machine learning

You Might Also Like

airbnb-data-scientist-job-interview-questions-data-science-machine-learning-colloquio-di-lavoro-domande-airbnb-data-science

Airbnb: il profilo del Data Scientist | Domande colloquio di lavoro

Novembre 27, 2019
model-testing-model-evaluation-training-set-validation-set-model-validation-model-evaluation-validation-score-cross-validation-generalization-score

Model testing e Model Evaluation | Machine Learning

Settembre 14, 2019

Exploratory Data Analysis | Guida in italiano

Gennaio 7, 2019

2 Comments

  • Cos'è Google Colab: jupyter notebooks online - Machine Learning & Data Science Blog Ottobre 26, 2019 at 19:01

    […] possiamo finalmente cimentarci in qualche progetto di Kaggle o alle nostre analisi da veri data […]

    Reply
  • Ridge Regression - Machine Learning & Data Science Blog Novembre 6, 2019 at 22:49

    […] ci allontaniamo dalle sfide di Kaggle per addentrarci in quella giungla del mondo reale troviamo dataset con decine di […]

    Reply
  • Please Post Your Comments & Reviews
    Annulla risposta

    Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

    Next Post
    Previous Post

    Una pubblicità che non vedi se usi AdBlock

    EXPAND YOUR KNOWLEDGE

    • Blockchain

      Patricia Merkle Trie

      Maggio 30, 2023
    • Artistic representation of a tree Blockchain

      Tree Data Structure: cos’è un Merkle Tree

      Maggio 26, 2023
    • Cover image for Bitcoin UTXO explanation post Blockchain

      UTXO: come funziona il modello Unspent Transaction Outputs

      Maggio 23, 2023
    • Blockchain

      Cos’è Ethereum

      Maggio 15, 2023
    • Blockchain Developer

      Circuito aritmetico

      Novembre 1, 2022
    • machine-learning

      Un nuovo inizio

      Settembre 4, 2021
    • Zero Knwoledge Proof Article Privacy Preserving

      Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

      Luglio 8, 2021
    • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

      Oblivious Transfer (OT)

      Luglio 6, 2021
    • Aleo Studio Website Preview machine-learning

      Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

      Luglio 1, 2021
    • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

      Perché il Privacy Tech è un vantaggio competitivo micidiale

      Giugno 17, 2021

    Quello che Google pensa ti possa piacere

    Prodotti che i Cookie dicono potresti trovare interessanti

    AI Blog - © 2019-2021 Andrea Provino