Stop Downloading Datasets From Kaggle (If you’re not a nooby)
Zusammenfassung
Kurz
Frank Andrade empfiehlt, für Datenwissenschafts-Portfolios eigene Datensätze zu erstellen, daraus ein konkretes Problem abzuleiten, die benötigten Fähigkeiten zu planen und die Erkenntnisse online zu veröffentlichen. Als Beispiel nennt er ein Fußballprojekt mit gescrapten Daten; die behaupteten Vorteile für Bewerbungen werden im Bericht nicht durch Untersuchungen belegt.
Mittel
Frank Andrade rät, Portfolio-Projekte in der Datenwissenschaft nicht nur mit verbreiteten Kaggle-Datensätzen aufzubauen. Nach seiner Einschätzung haben Recruiter solche Datensätze und die damit verbundenen Projekte oft schon gesehen; eigene Daten könnten ein Projekt individueller machen.
Sein vorgeschlagener Ablauf: ein persönliches Thema wählen, Daten über eine API oder Web Scraping sammeln und dafür ein passendes Werkzeug nutzen. Danach soll man eine konkrete, möglichst ungelöste Frage formulieren und bei Bedarf zusätzliche Datenquellen erschließen. Abschließend empfiehlt er, die benötigten Fähigkeiten vorab zu planen und fehlendes Wissen während des Projekts zu lernen. Als Beispiel nennt er ein Fußballprojekt mit historischen Daten, Python und Selenium sowie die Vorhersage von Spielen anhand erzielter und kassierter Tore.
Zusätzlich empfiehlt Andrade, die Erkenntnisse in einem Online-Artikel zu erklären und im Lebenslauf zu verlinken. Das könne die Kommunikation üben und die Arbeit sichtbar machen. Diese Aussagen sind Empfehlungen und persönliche Einschätzungen: Der Bericht belegt weder einen Vorteil bei Bewerbungen noch die allgemeine Behauptung, Recruiter bevorzugten Artikel gegenüber GitHub-Repositories. Ergebnisse des Beispielmodells werden nicht genannt.
Ausführlich lesen
Der Bericht von Frank Andrade empfiehlt, für Datenwissenschaftsprojekte im Portfolio nicht ausschließlich auf Kaggle-Datensätze zurückzugreifen. Seine Begründung: Diese Datensätze seien oft weit verbreitet und bereits in vielen Tutorials und Bewerbungsprojekten verwendet worden. Recruiter hätten solche Arbeiten daher häufig gesehen. Andrade behauptet, ein selbst zusammengestellter Datensatz könne dabei helfen, sich von anderen Bewerbern abzuheben.
Er schlägt einen Ablauf in drei Schritten vor. Erstens solle man ein Thema wählen, das einen persönlich interessiert, und dazu eigene Daten aus dem Web sammeln. Dafür nennt er Web Scraping oder eine vorhandene API als Möglichkeiten. Vor dem Bau eines Scrapers solle man prüfen, ob eine API verfügbar ist. Die passende Scraping-Bibliothek richte sich nach der Website: Für Daten aus Wikipedia könne Pandas genügen; bei JavaScript-gesteuerten Seiten empfiehlt er Selenium. Als Beispiel beschreibt er, historische Fußballdaten von mehreren Sportseiten mit Python und Selenium gesammelt zu haben.
Zweitens solle man mit den Daten ein konkretes, möglichst noch nicht gelöstes Problem bearbeiten. Reiche die vorhandene Datensammlung dafür nicht aus, könne man weitere Quellen erschließen. Andrade verweist darauf, dass reale Probleme oft mehr als eine Datenquelle erfordern. In seinem Fußballbeispiel wollte er Spiele anhand der erzielten und kassierten Tore der Teams vorhersagen. Das Ziel sei nach seiner Darstellung weniger, das bestmögliche Modell zu entwickeln, als anhand einer realitätsnahen Fragestellung die eigenen Datenwissenschaftskenntnisse zu zeigen.
Drittens empfiehlt er, vor Projektbeginn die benötigten Fähigkeiten und Lerninhalte aufzulisten. Für sein Beispiel nennt er Web Scraping mit Pandas sowie die Poisson-Verteilung und deren Umsetzung in Python. Neue Kenntnisse könnten während der Projektarbeit hinzukommen.
Als Zusatz rät Andrade, die Ergebnisse nach Abschluss online in einem Artikel zu veröffentlichen. Das Schreiben könne die Kommunikationsfähigkeit fördern und dabei helfen, die eigenen Erkenntnisse zu durchdenken und die Arbeit für andere sichtbar zu machen. Er meint, Recruiter würden einen verständlich geschriebenen Artikel oft lieber lesen als ein GitHub-Repository zu prüfen, und schlägt vor, den Artikel im Lebenslauf zu verlinken.
Der Text stellt damit persönliche Empfehlungen und ein eigenes Sportprojekt als Beispiel vor. Er berichtet jedoch keine vergleichende Untersuchung dazu, ob selbst erhobene Datensätze tatsächlich die Chancen im Bewerbungsprozess erhöhen oder ob Recruiter Artikel generell gegenüber Repositories bevorzugen. Auch beschreibt er keine konkreten Ergebnisse oder Leistungswerte des Fußballmodells. Am Ende bewirbt Andrade einen kostenlosen Scraping-Spickzettel per E-Mail-Liste und Medium-Mitgliedschaften; für Mitgliedschaften über seinen Link weist er auf eine mögliche Provision hin.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Lunas Zusammenfassungen geben den Bericht im Kern treu wieder und enthalten keine erfundenen Angaben. Die Angabe „Anteil 39 %“ in Lunas Einordnung ist im Bewertungsschema nicht vorgesehen und wurde nicht übernommen; die Stufe wurde unabhängig neu bestimmt.
Im Bericht, aber nicht in der Zusammenfassung
- Nach dem Bericht bleiben Kaggle-Datensätze zum Lernen gut geeignet; das Problem liegt nur bei Portfolio-Projekten.
- Der Text ist erkennbar werblich (Empfehlungslink, Mitgliedschaft, kostenloses Cheat Sheet), was die Einordnung der Empfehlungen beeinflusst.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Modelle teilen und schützen
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 39 %Hintergrund, keine Belege
- JEV 24 %gleiches Oberthema, hilft nicht
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht