Kaggle을 시작한 이유

즈바리 ai의 공부를 하고 싶었습니다만, 아래와 같은 이유로 산산좌절.
1, 이전 유행한 Tensorflow를 해 보았다.
→높은 머신 스펙이 마스트. (당시 비트코인 ​​탓에 그라보도 고정지로 손이 나오지 않아...)
또, 학습 데이터가 필요, 검증 결과의 체크도 힘들다.
학습이라고 말하는 것보다는, 아이의 신세? ? 뭔가 다르다. . .

2, SFDC의 AI의 API를 사용해 보았다.
→좋은 느낌으로 움직이지만, 로직이 비공개.
그래서 결과 흔들림의 원인도 모르고, 이것은 단지 이용자 밖에 없다. . .
(SFDC파의 사람에게 오해 없도록, 와타시적으로 맞지 않았을 뿐입니다.죄송합니다.)

나름대로 ai라고 하는지, 기계 학습이라고 하는지, 딥 러닝이라고 하는지 여러가지 정리해 보면 하고 싶은 것은 데이터를 사용해 새로운 주의가 어떻게 태어나는지를 알고 싶었습니다.
거기서 만난 것이 Kaggle입니다!

Kaggle이란?

조금 전까지는 그다지 일본어 사이트가 없었습니다만, 최근에는 많이 있습니다.
별로 지식이 없기 때문에, 살짝 소개하면,

데이터가 많이 있습니다!

밤하늘 사진, NBA 경기 예상부터 빵집 영수증 정보까지.
저작권에 두근두근하지 않는 데이터가 많이!

대답이 있습니까?

타이타닉의 생존의 과제가 잘 샘플이지만, 대회 형식으로 대답에 가까운 것이 있다.

데이터 세트, API가 공개되어 있고 ChromeBook에서도 개발 가능!

언제나 핵심적인 개발은 Windows OS나 Mac OS가 마스트였습니다. . .
패킷도 절약해야 하는데. . .
클라이언트를 통과하지 않는 최고입니다!

kaggle을 시작하려면

우선 계정 등록

Kaggle의 계정 등록입니다.
영어만이지만 두려워하지 않습니다!

왜, 아이콘은 귀엽지 않은 오리? 입니다.

다음은 개발 환경의 준비

궁극적으로 Google Colaboratory를 채택하려고합니다.

조금 탈선

처음에는 AWS+Dokker로 환경을 만들어 시험했습니다.
이유는, 「Dokker 모르면 위험하다」라고 2017년의 트렌드 정리에 있었기 때문에.
확실히, 이것은 지금의 일의 여러가지 과제를 해결해 주는 메시아가 될 것 같다.
그 때의 참고는 하기.
htps : // 코 m / 네 w 규 / ms / d0b0d6074 에 13 ​​아 cd51f3 에

하지만 Dokker는 다시 기계 사양 문제가 발생.
저렴한 AWS 인스턴스에서는 괜찮습니다. . .

거기서 발견한 것이, Google Colab!

Google Colab이란?

요약하면 Google Colab은 Jupyter Notebook을 필요한 최소한의 노력과 비용으로 이용할 수 있으며 브라우저와 인터넷이 있으면 지금도 기계 학습 프로젝트를 진행할 수 있는 서비스입니다.
htps //w w. 이걸로. 네 t / 쥬 py r ぁb

매우 간단 · 빠른 · 싼 3 박자입니다! !

다만, 조금 버릇이 있다.
최소한의 리눅스 지식이 없다면 모른다.
지금은 내부 구성을 잘 모르기 때문에, 허가 등에 빠지면 Teraterm으로 연결하고 싶어지지만, 연결할 수없는 딜레마.
싸우면서 진행합니다!

전치가 길어졌습니다만, 여기로부터 Kaggle에 제출까지를 살짝 소개합니다!

데이터 세트 로드!

API로 Google Colab에 파일을로드합니다.
그런 다음 디렉토리를 만들고 kaggle 모듈이라고 부르거나 파일을 가져옵니다.

디렉토리에 권한을 할당하거나, 조금 호기심으로 echo 해 보거나.

제출!

# submit
!kaggle competitions submit -c <competition-name> -f <submit.csv> -m "My submission message"

결과를 클라이언트를 통하지 않고 업로드할 수 있는 것은 매우 행복합니다.

결과

앞으로 기대라는 것으로, 결과 랭크는 비밀입니다.
연말연시의 숙제로 할까.