Como otros han señalado, probablemente puedas , pero no deberías . Kaggle puede aumentar su conocimiento de ML, pero por sí solo, no será la mejor manera.
En primer lugar, el enfoque principal de Kaggle es obtener la mayor precisión. Ese no es siempre el comportamiento más deseable en el mundo real: si tiene dos métodos A y B, con una precisión del 91.0% frente al 91.1% y tiempos de entrenamiento de 2 horas frente a 2 días, ¿cuál elegiría? La respuesta para las competencias de Kaggle es diferente de la que usarías en el mundo real (muy probablemente).
En segundo lugar, la mayoría de las personas que compiten en Kaggle usarían algoritmos listos para usar, mientras que como parte del aprendizaje automático de aprendizaje, a menudo querría implementar algoritmos desde cero, para comprenderlos mejor.
- ¿Cuál es el uso de la teoría del Grupo de Renormalización fuera de la física cuántica?
- ¿La membresía a https://www.interaction-design.org es una buena inversión?
- ¿Cuál es el mayor y más grande blog de informática / tecnología en Internet?
- ¿Cuál es un mejor método para aprender sobre sistemas operativos, Linux desde cero o MINIX?
- ¿Cuáles son las buenas técnicas para el modelado y simulación basados en agentes?
En tercer lugar, la mayoría de las competiciones en Kaggle involucran conjuntos de datos muy grandes. Este no suele ser el caso en el mundo real. Los algoritmos que funcionan bien para datos grandes (por ejemplo, redes neuronales) no son adecuados para conjuntos de datos pequeños.
Para resumir, si comienza con Kaggle, pasará mucho tiempo para dominar una parte muy pequeña del campo, y la mayoría de las otras técnicas se dejarán sin explorar, lo que tendrá que estudiar de la manera convencional. Así que bien podría comenzar con la forma convencional.
He creado una extensa hoja de ruta para comenzar con ML, a la que puede referirse: la respuesta de Prasoon Goyal a ¿Qué consejo le daría a un aspirante a científico de datos?