Kaggle

-


Kaggle adalah situs dan platform untuk berlomba membuat model terbaik untuk menganalisa dan memprediksi suatu dataset. Dataset ini diberikan oleh suatu perusahaan, dengan suatu deskripsi masalah tertentu. Misalnya, diberikan data rumah beserta fitur-fiturnya dan harga jualnya, dan deskripsi masalahnya adalah buatlah model untuk memprediksi harga jual berdasarkan fitur-fitur tersebut. Sederhana kan? Kalau Anda bisa membuat model terbaik, ada hadiah total USD $1.2 juta dolar hehe.

Kaggle sangat bermanfaat untuk semua yang berkecimpung di dunia data science.
Banyak perusahaan yang mempunyai permasalahan analisa/pemodelan data, namun mereka tidak punya sumber daya data scientist yang mumpuni untuk memecahkannya. Dengan Kaggle, mereka bisa meminta bantuan data scientist seluruh dunia untuk memecahkan masalah tersebut dengan membuat model terbaik. Istilah kerennya crowd sourcing. Biasanya dengan dengan imbalan hadiah.

Kaggle juga dapat dimanfaatkan oleh perusahaan untuk merekrut data scientist atau ML engineer, dengan cara menyelenggarakan kompetisi untuk tujuan rekrutmen.

Bagi kita praktisi atau pelajar data science, Kaggle sangat berguna untuk belajar, berlatih,  dan mempertajam skill dan insting data science kita. Dengan mempelajari write up atau ulasan orang lain dalam memecahkan suatu masalah, kita bisa mendapat banyak ide dan ilmu tentang bagaimana proses dan jalan berpikir dia memecahkan masalah data science. Lalu dengan ikut dalam kompetisi, kita akan diberi feedback tentang akurasi model kita, dan dari situ kita berlatih bagaimana membuat model yang lebih baik. Selama kompetisi, sering orang berbagi tips atau ide yang dia pakai, sehingga dari situ tidak hanya kita bisa memperbaiki model kita, tapi kita juga bisa belajar, menjadi lebih kreatif, sekaligus melatih instingpemecahan masalah kita.

Setelah kompetisi selesai, biasanya para pemenang atau orang yang mendapat skor tinggi akan menulis write up tentang solusi dia juga, sehingga kita bisa belajar solusi yang wow itu seperti apa.

Bahkan walaupun Anda masih pemula sekali, yang belum bisa koding membuat model sendiri (seperti saya saat menulis artikel ini), membaca ulasan Kaggle sangat berguna untuk mengetahui bagaimana contoh permasalahan data science di dunia nyata (misalnya, dataset di dunia nyata sering terdapat banyak cacat, tidak seperti dataset di kelas MOOC), bagaimana cara berpikir seorang data scientist dalam memecahkan suatu masalah, dan pengetahuan-pengetahuan apa yang harus dipelajari untuk membuat solusinya.
Jadi saya sangat menyarankan untuk bergabung dengan Kaggle.


Komentar

Posting Komentar

Postingan populer dari blog ini

Gitkraken

-
Gambar
Gitkraken adalah gui dari git untuk linux, sebenarnya gitkraken tidak hanya mendukung linux, selain itu ia menyediakan untuk platform lain seperti window dan mac. GitKraken sendiri saya temukan ketika saya intens menggunakan linux, karena SourceTree tidak tersedia untuk linux maka ketika itu saya mencari alternatif git gui yang bagus untuk linux. GitKraken sendiri sangat-sangat eye-catchy dan menarik. Dengan dark theme yang diusungnya, serta kombinasi warna yang pas membuatnya nyaman dimata. Mungkin karena menggunakan Electron sebagai frameworknya membuat gitkraken sangat interaktif dan fluid. Selain itu GitKraken menggunakan custom git yang (sepertinya) dibuat menggunakan node.js sehingga sama seperti SoureTree, user tidak perlu menginstall git pada systemnya. Namun, hal ini menyebabkan git yang ada pada GitKraken tidak dapat dibuka apabila user sedang intens menggunakan terminal (males buka gui-nya). GitKraken dapat diintegrasikan dengan Github dan Bitbucket, namun pada v
Baca selengkapnya

DATA SPASIAL

-
Gambar
MODEL DATA SPASIAL Model dunia nyata dapat memudahkan manusia dalam memahami studi mengenai area aplikasi yang dipilih dengan cara mereduksi sejumlah kompleksitas yang ada di dalamnya. Jika  model dunia  nyata ini  akan digunakan,  maka  model ini perlu terlebih dahulu diimplementasikan ke dalam  terminologi  (sistem) basis data.  Dan  dengan  model data, implementasi terkait  menjadi sangat memungkinkan. Tidak seperti manusia, sistem komputer tidak dapat memahami esensi dari bentuk unsur- unsur spasial seperti garis jalan raya, bangunan, sungai, batas persil tanah milik, dll. Oleh sebab itu, untuk  merepresentasikan objek-objek spasial seperti ini, yang dapat dilakukan oleh sistem komputer  adalah memanipulasi objek-objek  elementer atau entitas yang memiliki atribut geometri (dalam beberapa literatur, entitas ini sering disebut juga sebagai entitas spasial atau entitas geografis). Hingga saat ini, persepsi mengenai bentuk representasi entitas spasial yang p
Baca selengkapnya

Measurement, Euclidean, Cost-Weighted Distance, Path-Distance Analysis

-
Gambar
  Measurement (Pengukuran) Pengukuran merupakan metode yang digunakan untuk menghitung jumlah dari point, panjang dari line, dan luas (area) atau keliling (perimeter) dari polygon.  Jenis Measurement (Pengukuran) Raster GIS Measurement Vector GIS Measurement Raster GIS Measurement 1. Pythagorean Distance / Euclidean Distance Menghitung panjang atau jarak antara dua titik menggunakan rumus pythagoras. 2. Manhattan Distance Menghitung panjang atau jarak antara dua titik dengan menghitung jumlab sel yang dilalui oleh garis tersebut. 3. Proximity Distance Menghitung panjang atau jarak antara dua titik dengan perkiraan. Proximity mirip dengan pythagorean, tetapi diterapkan pada setiap pixel.  4. Perimeter and Area Menghitung keliling (perimeter) dan luas (area) dari sebuah polygon dengan menggunakan rumus geometri dengan satuan cell unit. contoh dari masing-masing pengukuran:   Vector GIS Measurement Pada pengukuran vektor, peng
Baca selengkapnya