👁️ 【深度之眼】比赛实战训练营

这门课解决什么问题

很多想学数据科学的人，看完理论书、刷完网课，一打开 Kaggle 还是不知道从哪下手。报名的比赛要么看不懂赛题，要么跑通一个 baseline 就卡住，排名上不去，也不知道该调什么。这门课就是冲着这个缺口来的：它不单独讲某个算法，而是用几个真实竞赛题，把「从读题到提交结果」的完整过程走一遍。

课程覆盖两类典型任务：一类是结构化数据的回归和预测，比如房价预测、未来销售预测、地震预测；另一类是图像分类，比如用卷积神经网络做表情识别。前者帮你掌握特征工程、数据清洗、模型集成这些提升排名的关键动作，后者带你熟悉 CV 方向的建模流程。学完之后，你面对一个陌生赛题时，至少知道第一步该做什么，而不是对着数据发呆。

适合什么基础，建议先看哪几块

这门课不适合零基础。你需要已经会 Python 的基本语法，最好用过 pandas 和 numpy，知道什么是训练集、测试集、交叉验证。如果没接触过机器学习，直接看会跟不上。但也不用太担心，课程里对卷积神经网络和模型集成都有基础讲解，只是默认你具备编程能力。

建议先看开营仪式里老师讲的部分，那部分会说明整个训练营的节奏和比赛思路，比直接跳进某一节课更有效。然后按顺序挑一个赛题跟到底，不要同时开多个。比如先从「房价预测」开始，它的数据量小、逻辑清晰，适合作为竞赛入门。第一周先看赛题解读和数据下载导入，第二周再学特征工程和 baseline 构建。如果你对图像方向更感兴趣，可以跳过房价，直接看表情识别那一支，但务必先看「赛前介绍和准备」和「卷积的基础知识」，否则后面讲网络结构时会懵。

学完能独立做什么，资料怎么配合练习

学完这套内容，你能独立完成一个入门级 Kaggle 赛题：从下载数据、做基础 EDA、清洗数据、构建特征，到训练模型、提交预测结果，并看懂自己的排名变化。对于图像任务，你能用 TensorFlow/Keras 和 OpenCV 搭建一个 CNN baseline，做数据增强，跑出一个可提交的预测。这些能力足以让你在真实比赛中完成第一版提交，而不是一直停留在「想学但不敢动手」的状态。

资料的使用方式很关键。不要只当视频看，每节课都配有对应的代码和数据，你需要一边看一边在本地 Jupyter Notebook 里复现。看完第一周的赛题解读，就自己动手下载数据、写一遍导入和探索代码；看完特征工程，就在自己的 notebook 里改几个特征，看看排名分数有没有变化。第二周的 baseline 和模型集成部分，建议反复对照视频，把每一行代码敲一遍，然后尝试换一个模型参数，提交后对比分数。这样练完一个赛题，比囫囵吞枣看十个赛题更有用。