Kaggle для новичка в ML: соревнования, датасеты и ноутбуки как портфолио
Kaggle — платформа Google для практики в машинном обучении. На ней вы скачиваете данные соревнования, строите модель в браузерном ноутбуке, отправляете файл с прогнозами и видите свой результат на лидерборде рядом с тысячами других участников. Там же публикуют ноутбуки с разбором решений и собственные датасеты, получают за них медали и звания в четырёх категориях. Для старта хватит Python, pandas и базовых моделей. Главный навык, который даёт Kaggle, — честная проверка модели на своих данных, а не место в таблице. Ниже — устройство соревнований, порядок первых шагов, типичные ошибки, портфолио и доход.
Содержание

Новички часто считают, что строчка «топ-10 %» в резюме сама по себе доказывает умение. На деле работодатель, открывший ваш профиль, смотрит, как вы думали: как устроили проверку, какую простую модель взяли за точку отсчёта, почему отказались от признаков, которые улучшали лидерборд. Поэтому на Kaggle полезно с первого соревнования вести ноутбук, который можно показать, а не только гнаться за номером.
Что есть на Kaggle и кому это полезно
Соревнования — центральная часть платформы. Организатор выкладывает данные и описание задачи, участники присылают прогнозы, а система сразу считает метрику. Для новичков есть постоянные учебные задачи вроде «Титаника» и прогноза цен на дома и серия Playground с несложными табличными данными. Призовые соревнования компаний сложнее и обычно требуют месяцев работы.
Ноутбуки — это Jupyter в браузере: Python или R, готовые библиотеки и бесплатные CPU, GPU и TPU в пределах квоты, которую видно в настройках аккаунта. Датасеты — открытая библиотека данных, куда любой может загрузить свой набор с описанием и лицензией. Ещё есть раздел Models с предобученными моделями, короткие курсы Kaggle Learn и обсуждения к каждому соревнованию.
Платформа подойдёт тому, кто уже немного пишет на Python и хочет быстро получать обратную связь по своим моделям. Постановки задачи Kaggle не даёт: метрика, данные и формат ответа заданы заранее, а выбирать, что прогнозировать, и выводить модель в работу приходится уже в реальных проектах. О машинном обучении для своей работы и о профессиях дата-сайентиста и ML-инженера на сайте есть отдельные статьи, здесь речь только о платформе.
Как устроено соревнование
На странице соревнования есть вкладка с описанием и метрикой, вкладка с данными и правила. В данных обычно лежат три файла: обучающая выборка с ответами, тестовая без ответов и образец файла посылки. Вы обучаете модель, предсказываете ответы для теста и загружаете файл в том же формате, что образец. В соревнованиях с кодом вместо файла отправляют сам ноутбук: он запускается на скрытом тесте без доступа в интернет и с ограничением по времени, которое указано в правилах.
Число посылок в день ограничено, а в конце соревнования нужно отметить финальные посылки, по которым вас оценят; сколько их можно выбрать, тоже написано в правилах. Читайте и раздел о внешних данных: где-то разрешены любые открытые наборы, где-то только выданные. Передавать код вне своей команды можно лишь открыто для всех, а второй аккаунт ради лишних посылок — нарушение, за которое снимают с соревнования.
Публичный и приватный лидерборд
Тестовые данные Kaggle делит на две части. Пока идёт соревнование, на публичном лидерборде видна оценка только по одной из них. Окончательные места считают по второй, приватной части, а её таблицу открывают после дедлайна. Когда после этого таблица перемешивается и участники из первой десятки оказываются в середине списка, это называют «встряской».
Принято думать, что такие перестановки — результат массовой подгонки под публичную часть. Ребекка Рулофс, Мориц Хардт, Бенджамин Рехт и соавторы проверили это на 120 соревнованиях Kaggle и опубликовали итог в статье «A Meta-Analysis of Overfitting in Machine Learning» (NeurIPS 2019). Явных признаков переобучения под публичный лидерборд они почти не нашли: в соревнованиях с метрикой «доля верных ответов» расхождение публичной и приватной оценки обычно было меньше процента. Сильные отклонения встречались там, где части теста разделили неслучайно или где тест был крошечным: в одном соревновании публичная часть содержала 90 примеров, в двух других приватная — 100 и 209. Авторы осторожно предлагают считать минимально надёжным размером теста примерно 10 000 примеров.
Для новичка вывод практический. Перед стартом посмотрите, сколько строк в тестовой выборке и как она отобрана. Если строк несколько сотен, позиция на публичном лидерборде почти ничего не говорит, и решения стоит принимать по своей кросс-валидации. Если данные разделены по времени или по группам, повторите такое же разбиение у себя. Финальные посылки выбирайте по проверке, которой доверяете, а не по самой высокой публичной оценке.
С чего начать и в каком порядке
Порядок ниже выстроен так, чтобы сначала появился простой результат, затем способ ему доверять и только потом чужие идеи. Если начать с чтения лучших публичных ноутбуков, вы научитесь копировать, но не поймёте, почему решение работает.
- Пройти короткие курсы Kaggle Learn по Python, pandas и введению в машинное обучение, если эти темы пока даются с трудом.
- Взять «Титаник» или прогноз цен на дома, загрузить данные, сделать простейший прогноз и отправить первую посылку, чтобы понять механику.
- Настроить свою проверку: разбиение на пять частей, одна метрика, записи о каждом эксперименте и сравнение с публичным счётом.
- Только после собственной попытки читать публичные ноутбуки и обсуждения, воспроизвести одно чужое решение и понять, что именно дало прирост.
- Принять участие в текущем соревновании серии Playground до дедлайна, а после него прочитать описания решений призёров.
Учебная ситуация. Новичок взялся за прогноз цен на дома, где метрика считается по логарифмам цены. Сначала он отправил медианную цену по району и получил точку отсчёта. Затем обучил градиентный бустинг и проверил его на пяти частях. Прогноз логарифма цены вместо самой цены дал ещё одно улучшение, а признак из обсуждения поднял публичный счёт, но ухудшил кросс-валидацию, и его пришлось убрать. Итог — ноутбук, где видны все шаги, а не только финальная цифра.
Ошибки, которые мешают расти
Самая частая — копировать публичный ноутбук с высоким счётом и усреднять чужие посылки: место растёт, навык нет, а на собеседовании такое решение не объяснить. Вторая — перебирать параметры по публичному лидерборду вместо своей проверки. Третья — не смотреть на сами данные: дубликаты между обучением и тестом, перекос классов, странные идентификаторы. Четвёртая — бросать соревнование, когда позиция перестала расти, и так и не прочитать решения победителей.
Работать с Kaggle как с частью учёбы предлагают и онлайн-школы. На курсе Skillbox «Профессия Machine Learning Engineer + ИИ» практика строится на реальных датасетах, соревнованиях Kaggle и данных партнёров, а за 12 месяцев обещано более 10 итоговых проектов с обратной связью наставника. Вывод моделей в работу в описании программы явно не указан, это стоит уточнить.
Ноутбуки и датасеты как портфолио
Публичный ноутбук становится работой для портфолио, когда его можно прочитать без автора: задача и метрика, разведочный анализ с выводами, простая модель для сравнения, схема проверки, эксперименты и короткий вывод об ограничениях. Код должен запускаться сверху вниз без ошибок.
Собственный датасет показывает другие умения: сбор, очистку и документирование данных. Выгрузив открытые данные, опишите столбцы, источник, дату выгрузки и лицензию и выложите рядом ноутбук с примером анализа.
Сильный профиль — это два-три соревнования с подробными ноутбуками и один свой датасет, а не десятки посылок без комментариев. Ссылку на лучшие ноутбуки стоит добавить в резюме и в README репозитория. Онлайн-курс Skillbox «Machine Learning Engineer с нуля» в разделе о практике называет проекты на реальных наборах данных и Kaggle, нейросеть на PyTorch, классификацию текстов и задачу на больших данных. Карточка и официальная страница расходятся в длительности и названии программы, поэтому состав проектов лучше уточнить у школы.
Медали и звания: что они значат
Прогресс на Kaggle считают отдельно в четырёх категориях: соревнования, датасеты, ноутбуки и обсуждения. В каждой пять ступеней — Novice, Contributor, Expert, Master и Grandmaster. В соревнованиях медали дают за итоговое место, в остальных категориях — за голоса других пользователей.
Звание в соревнованиях говорит о результатах на скрытом тесте; по описанию в статье о Kaggle в английской Википедии, высшее звание получают те, кто несколько раз оказывался в верхней части таблиц, в том числе выступая в одиночку. Медали за ноутбуки и обсуждения отражают и пользу, и популярность: подробный учебный разбор может собрать больше голосов, чем сильное, но сложное решение. По данным той же статьи на 2 апреля 2025 года, на платформе было 23,29 млн аккаунтов, из них 2973 со званием мастера и 612 со званием грандмастера, так что высокое звание — редкость, а не обязательное условие поиска работы.
На курсе Karpov.Courses «Инженер машинного обучения» вебинары по Kaggle и Git добавляются только на тарифах выше базового, а в основе программы — Python, классическое машинное обучение, основы глубокого обучения, статистика и подготовка к собеседованиям. Если Kaggle для вас важен, сверьте состав тарифа до оплаты.
Как Kaggle влияет на доход
Открытой статистики о надбавке к зарплате за звание или медали Kaggle нет. Призы получают единицы из верхних строк таблицы, и считать их доходом новичку не стоит. Влияние косвенное: профиль с разобранными решениями помогает пройти отбор на первую позицию в анализе данных или машинном обучении без коммерческого опыта и даёт темы для технического собеседования.
Чтобы оценить ситуацию в своём городе, сравните вакансии младших специалистов по данным на hh.ru и Хабр Карьере: упоминают ли работодатели соревнования и портфолио и указана ли сумма до вычета налога или на руки. В зарплатном калькуляторе Хабр Карьеры ориентируйтесь на медиану по нужной специализации и уровню, а не на среднее, и учитывайте размер выборки.
Как выбрать обучение
Kaggle хорош как тренажёр, но плохо заменяет объяснения. Если непонятно, почему кросс-валидация расходится с лидербордом, программа с наставником сэкономит время. Проверяйте в описании разбор схем валидации и метрик, участие в настоящих соревнованиях, обратную связь по коду и проекты, которые можно показать вне Kaggle. Сравнить школы по формату, длительности и цене поможет рейтинг онлайн-школ по машинному обучению.
Хорошая проверка готовности к обучению — первая посылка. Если вы за вечер загрузили данные, построили простую модель и отправили файл, базы хватает, и дальше стоит учиться валидации и разбору ошибок. Если застряли на чтении CSV и pandas, начните с Python, а к соревнованиям вернитесь через месяц.