恩，十一月初忘了看 Kaggle 十月的網誌了。總共四篇：
- 文本情感分析教學 in R
- 亞馬遜雨林競賽首獎訪談
- 九月 Dataset Publishing Awards 首獎訪談
- 發表 Kaggle 2017 資料科學暨機器學習現況調查報告
文本情感分析教學 in R
這是 Kaggle 的工程師發表的一篇教學，用美國 1989 ~ 2017 年的國情咨文資料庫來做文本情感分析。除了 Kaggle 官方網誌以外，該文在 Kaggle 上也有一個 Kernel 讓你可以直接跑跑看，或是 Fork 出來做練習。主要是使用一個叫做 tidytext 的 R 套件，不過我不會寫 R，自己寫了一份 python 的版本，對照看一下，覺得 R 語法有點神奇。文末附上了三個練習題，以及其他在 Kaggle 上面語言相關的資料集，還有外部的資料資源。
我的 python 版本 kernel。
亞馬遜雨林競賽首獎訪談
這邊我就不介紹這個競賽了，首獎是一位名為 bestfitting 的 kaggler。bestfitting 加入 Kaggle 不到兩年，參加十場競賽，最差的成績是 61th, top 4% 銀牌，最近一年的戰績最差是 7th，相當可怕。
解法方面，主要是用了四種（ResNets, DenseNets, Inception, SimpleNet）11 個 CNN 來做 ensemble，文中有一張一看就懂的架構圖。資料前處理的部份基本的都有做，多做了一個叫做 haze removal technique 讓圖片更清楚，對某些標籤有用，但是對某些標籤有害，但是 ensemble 會挑有利的 model 所以整體還是有提升的。
關於 evaluation，因為競賽是用 F2Score 評分，如果用 logloss 的話，不保證 logloss 低 F2Score 就會變高，所以這部分他有自己另外寫。另外 bestfitting 有發現某些標籤之前有相依性，所以他在 CNN 的輸出後面加了 Ridge regression 來捕捉這樣的關係，然後增強整理效能。機器是用 TitanX。
最後建議大家讀 cs229 & css231 還有每天看 paper 然後實作。
九月 Dataset Publishing Awards 首獎訪談
第一名的 Dataset 是關於 ISIS 的宗教意識形態的文字資料，數量不多，但是是個滿有話題性的資料集。第二名是關於性格分析的 MBTI 16 型人格，去相關的論壇爬了 8600 個人發表的東西，然後標上人格標記。第三名資料量就稍微大一些些，是英國 2000 ~ 2016 年的事故資料以及交通流量，這個資料集也算是比較熱門的主題，互動的人也比較多。
發表 Kaggle 2017 資料科學暨機器學習現況調查報告
這就是今年 Kaggle 對 Kaggler 們做的調查，除了最後的報告公佈出來，資料以及處理資料的 Kernel 也都公佈了出來，就直接看看吧！
#Kaggle
#MachineLearning
#DataScience
#planet_understanding_the_amazon_from_space