Kaggle 竞赛方法论
打榜实战手册：25 篇，五大赛道 + 一套选型决策指南。
和本库其他几套的分工不同 —— 这里不讲原理、不从零教起，只回答一个问题： 「这个场景该上什么技术、大概能提多少分」。适合边打比赛边查。
📊 从通用方法论开始 🏆 直接看金牌 Trick0%
你的进度（在每章末尾点「打卡」，保存在本浏览器里）
🧭 怎么用这一部分
正在打某个赛道
先看 通用方法论 01–04（跨赛道通用），再进对应赛道那 4–5 篇。
先看 通用方法论 01–04（跨赛道通用），再进对应赛道那 4–5 篇。
卡住了，不知道该上什么技术
直接查 20 技术使用时机 和 21 任务决策路径。
直接查 20 技术使用时机 和 21 任务决策路径。
想快速抄作业
24 金牌方案核心 Trick + 25 实战 Pipeline 模板，都带提升幅度估计。
24 金牌方案核心 Trick + 25 实战 Pipeline 模板，都带提升幅度估计。
💡 这一部分是「查阅手册」，不是「从头读的教程」。
内容以方法名称、适用场景、提升幅度为主，不含逐行代码实现 —— 要真正落地时，配合本库对应教程或自行检索具体实现。
所以别想着通读，用到哪查哪。这也是它唯一不建议按顺序学的原因。
🔗 和本库其他部分对照着看
| 这里的 | 可以对照 | 视角差别 |
|---|---|---|
| 18–19 推荐系统竞赛 | 推荐算法教程 | 打榜刷分 vs 工业系统（要考虑延迟、成本、生态） |
| 01 数据策略与特征工程 | 推荐算法 · 第 7 章特征工程 | 竞赛特征（可用未来信息）vs 线上特征（严防穿越） |
| 05–08 NLP 预训练与微调 | 全景导论 · 第 5 章微调与 LoRA | 竞赛调参技巧 vs 通用原理与决策 |
| 03 模型融合与后处理 | 全景导论 · 第 6 章推理优化 | 融合十个模型刷分 vs 线上单模型压成本 |
| 04 超参数调优与工程实践 | 智能体工程 · 第 14 章评测 | 刷 CV 分数 vs 建可信的评测体系 |