对于初入机器学习领域的人来说，你肯定已经从学长口中、博客文章中、社区帖子里听说过 Kaggle 的大名。除了大量竞赛以外，Kaggle 上也有很多公开的数据集。
有很多 Kaggle 入门教程都会提到：这是一个在业内拥有很高认可度的竞赛平台，在你的简历中附上 Kaggle 成绩，会对找工作很有帮助。
最近，这一问题在 Reddit 机器学习板块上引发了热烈讨论。
发帖者「u / AlexSnakeKing」辗转反侧：在大家眼中，Kaggle 奖项的重量足以让你「走上人生巅峰」。我们经常可以看到各路 Kaggle 大神的传奇经历，他们有的非常年轻，有的身经百战。而故事的结局通常会是：他们获得了谷歌、Facebook 这样科技巨头的青睐。
但他也观察了自己在博客上关注的很多 Kaggle 获奖者，还有一些经常在 LinkedIn 上联系的获奖者。获奖的几个月后，「朝为田舍郎，暮登天子堂」的故事没有发生，这些获奖者并未出现在 谷歌、FaceBook 的办公室里，甚至还有一部分人始终处于自由职业者的状态……
这正是令「u / AlexSnakeKing」迷惑的地方，Kaggle 上的好成绩真的会对求职有帮助吗？
直白点说，在 Kaggle 上得奖能不能帮我们拿到 Google、FB、Open AI 这些大厂的 offer？
机器学习界的「耶路撒冷」
作为最著名的数据科学竞赛平台，Kaggle 成立于 2010 年，并于 2017 年被谷歌收入旗下。迄今为止，这一平台上已经举行了 356 场各种类型的数据竞赛。
很多公司、政府研究机构都会把自己的数据放上来，开放给全球范围内的参赛者，让他们帮助自己建模型。为了提高参赛积极性，他们也会设置一定的奖金，用来奖励模型精度最高的几个队伍，有些竞赛的奖金甚至可以高达百万美元。
于是乎，Kaggle 源源不断地吸引了成千上万的开发者来参加竞赛，许多数据科学家在 Kaggle 上投入了大量的时间和精力。在诸如机场安全、卫星数据分析这类的任务上，不乏数十年经验的优秀团队加入比赛。
在机器学习爱好者们心中，Kaggle 是一个灯塔般的存在。
Kaggle 的总榜单上现在已经出现了 162 名大师级（Grandmaster）选手。而在所有比赛中，获得金牌的人数大约占总人数的 2.5%。然而，数量多并不意味着拿奖牌的几率很高：从趋势上看，随着参与人数的逐渐增多，获取 Kaggle 奖牌的难度正在逐年提升。
Kaggle 奖牌能让你成为 offer 收割机吗？
「赢得 Kaggle 不代表就是一名好的 ML 工程师」
两枚银牌得主「cpury」表示：
我不是金牌获得者，但是在自身领域也得过两枚银牌。其实得 Kaggle 的奖还是有用的，很多 Kaggler 在 Linkedin 上加我，面试的时候这段经历也经常会被提到。就算搞自由职业时，这也是你谈价格的筹码。
你可以说，我值这么多钱，因为我在 Kaggle 上解决过一个类似的问题，并且排在前 100 位。
我也赞同，在 Kaggle 上做得好不代表就是一名好的 ML 工程师，Kaggle 太过关注纯数据科学，寻找创意集合体，然后花费大量时间（或者你还要花很多钱）进行实验，同时尽可能减少过拟合。对于竞赛而言，最好的模型就是能够供整个社区使用，你的主要任务也是做到这点。
「Kaggle 不会主动带来大厂 offer，但非常有用」
在 kaggle 比赛中得过两次前三的网友「juliandewit」说：
我现在就是一名自由职业者，职业方面还不错。Kaggle 确实给我带来了一些不错的资源和回报，我也经常收到创业公司的邀请，这还是在我没有推销自己的前提下。
不过没有 Google/OpenAI/Facebook 的邀请，也没有天价薪酬。
我个人觉得你应该在 Kaggle 上多努力，如果说是为了找工作，Kaggle 是不会为你自动带来 offer 的，但是一个好的 Kaggle 成绩当然非常有用。
「想成为优秀的工程师，重在实践」
还有一位网友建议发帖者更关注实践经验：
首先我觉得这个取决于你参加比赛的类型。
在我（有限）的 Kaggle 经历中，我发现那些获奖者很少拥有最佳模型。如果模型要通过准确性得分/ AUC 进行评估，可以说前 10 名团队的得分都会大于 99.5％。你知道，这些模型大部分都被遗忘了。
所以我觉得赢得 Kaggle 比赛不一定会让你成为优秀的 ML 从业者。不错，接近完美的准确性是很好，但如果暴露在真实数据中时完全瘫痪，那就不是一个成功的模型。
网友「Nitro_V」也赞同这一观点，同时补充了自己的观点：
而且，通常在一些数据竞赛的最终排名中，前几名之间的区别只是算力的区别，有时甚至前 20 名之间的分数差距都不是特别明显。我见过在一些竞赛上，排名榜单从头到尾使用的模型都几乎相同。我个人认为，使用可行的，耗费算力更小的模型，要比一个过拟合的巨型网络要好得多。」
跟帖的网友「omniron」说：
以我有限的经验看来，赢得 Kaggle 比赛最重要的问题在于赛会设置的评估标准——而它们并非总是有意义的。我们必须选择一些标准来评估每个人的水平，而这个标准并不总是适合他们要解决的实际任务。
Kaggle 竞赛往往关乎如何按照最佳规格进行工程设计，而不是如何构建最好的模型，来解决数据科学的具体问题，前者意味着更多的竞争意味。
「我也见过代码能力很差的 Kaggle 获奖者」
网友「ivalm」讲了自己的亲身经历：
Kaggle 可能不像大多数人印象中的那样，是表现人们擅长机器学习、数据科学的最好指标。在工作中，我面试过一位全球总榜排名约 100 位（Kaggle competition master）的求职者，以及一名在某项竞赛中排名第二的求职者。
当我问机器学习理论细节时，回答的很好，但在架构设计问题上就显得一般了，抛出代码挑战问题之后，他们都惨遭失败。我很确定他在 Kaggle 竞赛上所做的一切只是学习公共内核（Kernel）、调好超参数、几何模型，然后花大量时间测试。我怀疑他每一步都使用了别人的代码，耗费了大量的时间和精力。虽然我们知道他的 Kaggle 成绩没有造假，但是他的代码能力太差，让人不由感到怀疑。
综合看来，在机器学习热度不断提高的情形下，Kaggle 比赛成绩在用人单位眼中的重要程度也在逐渐变化。
在 Reddit 的讨论中，一位「阅人无数」的网友也给出了非常直接的结论：
「作为阅读了大量简历的人来说，这个问题的答案很简单：No.」
Anyway，对于大多数网友来说，Kaggle 获奖到底有没有用，是不是就相当于小时候「上清华还是上北大」的问题？
参考链接：
https://www.reddit.com/r/MachineLearning/comments/dge24v/d_does_winning_a_kaggle_competition_really_help/
