从零基础到第一次「有效提交」，通常需要 8–12 周——注意，这里说的不是「注册账号并跑通一份别人的代码」，而是孩子能独立读懂一个数据集、自己搭出一条从数据到预测结果的完整流程，并且说得清每一步为什么这么做。这两件事的差距，往往就是家长看到「孩子天天在电脑前」却判断不出进展的根源。本文把这条路径拆成四个阶段，给出每阶段的可验证产出物，以及一套不依赖排行榜名次的进度判断方法。
一、先分清「注册了」和「真的入门了」
Kaggle 是全球最大的数据科学与机器学习竞赛平台，注册免费、全球开放，中国学生可以直接注册参加（关于平台的整体结构，可参考我们的 Kaggle 完整入门指南）。正因为门槛低，很多孩子在第一周就「上手」了——复制一份公开 Notebook，点击运行，提交，排行榜上立刻出现自己的名字。
这一步几乎没有学习价值。它跳过了数据科学中真正需要训练的部分：理解问题、检查数据、建立可靠的验证方式、判断改动是否真的有效。我们在教学中反复看到的现象是：能在第 2 周就拿到分数的孩子，反而更容易在第 6 周卡住——因为他从未独立完成过一次「从原始数据到提交文件」的全流程。
所以本文用「有效提交」作为入门的标志，它需要同时满足三个条件：
- 流程是自己搭的——读数据、处理缺失值、划分验证集、训练、生成提交文件，每一步都能自己写出来；
- 有本地验证——在提交之前，孩子能用自己的验证集估计出大致表现，而不是完全依赖提交后才知道结果；
- 讲得清因果——能说明「我改了什么、为什么改、结果如何变化」。
二、12 周路径：每阶段学什么、交付什么
下表是我们在带学生时使用的阶段划分。周数是参考值，实际进度取决于孩子的编程基础——已经学过 Python 的学生，第一阶段通常可以压缩到 1–2 周。
| 阶段 | 周次 | 核心任务 | 可验证产出物 | 典型卡点 |
|---|---|---|---|---|
| ① 工具与语言 | 第 1–3 周 | Python 语法、pandas 读取与清洗、基础统计与可视化 | 对一个公开数据集写出一份自己的探索性分析（EDA） | 只会照抄语法，换个数据集就不会读 |
| ② 跑通完整流程 | 第 4–6 周 | 选一场入门级竞赛，搭出「读数据 → 处理 → 训练 → 提交」的最简链路 | 第一次有效提交，且流程完全自己写 | 直接复制公开 Notebook，跳过理解 |
| ③ 验证与迭代 | 第 7–9 周 | 建立本地交叉验证、做特征工程、记录每次改动的效果 | 一份实验日志：改了什么、验证分数如何变化 | 只看排行榜分数，本地验证不可靠 |
| ④ 沉淀为作品 | 第 10–12 周 | 整理代码与说明，写清问题、方法、结论与不足 | 一份别人能读懂、能复现的 Notebook | 代码能跑但没人看得懂，等于没有作品 |
第二阶段的选题很关键。平台上的竞赛类型不同，训练价值和难度差异很大：入门型（Getting Started）与练习型（Playground）竞赛通常更适合作为起点，而带奖金的重量级竞赛对新手往往不友好。需要提前说明的是：这两类以及社区（Community）竞赛通常不计奖牌与积分，它们的价值在于把完整流程走通而不是拿奖牌，某场比赛是否发放奖牌与积分，以该场比赛 Overview 页的说明为准。关于怎么判断一场比赛是否适合作为第一场，我们在另一篇文章里做过专门拆解，也可以直接从我们的新手起步指南页看当前适合起步的比赛类型。各类竞赛的具体规则、时间与限制每场都不同，请以 kaggle.com 上该场比赛的 Rules 与 Overview 页为准。
三、每周投入多少时间比较合理
对在读的国际学校学生，我们建议的节奏是每周 5–8 小时，持续 12 周，而不是假期里连续两周每天 10 小时。原因很实际：数据科学的能力增长来自「多次尝试—验证—修正」的循环，而这个循环需要时间间隔来消化，短期高强度冲刺往往只是把别人的代码搬运了很多遍。
- 工作日 3–4 小时：拆成每天 40–60 分钟，用于读文档、写小段代码、跑一次实验；
- 周末 2–4 小时：用于完整跑一轮流程、整理实验记录、写下这周的结论；
- 每两周留一次「不写代码」的复盘：只回看实验日志，回答「哪些改动真的有用」。
需要提醒的是：竞赛通常设有每日提交次数上限，且这个上限是按队伍共享的，并非每人一份。这意味着「靠多提交去试」的策略本身就受限，真正的杠杆在本地验证，而不是提交次数。具体的提交次数限制以该场比赛的 Rules 页为准。
四、家长怎么判断孩子真的在进步
这是家长最常问、也最容易判断错的一件事。排行榜名次看起来客观，但它是最不适合用来评估学习进度的指标——名次同时受参赛人数、比赛难度、他人分享的公开方案影响，孩子什么都没做，名次也会自己往下掉。
一个简单可操作的方法：每两周请孩子用五分钟、不看屏幕讲清三件事——这次做了什么改动、为什么这么改、结果是变好还是变坏。讲不清楚，说明这一轮是搬运而不是学习；讲得清楚，即使名次没动，能力也在增长。顺带一提，公开排行榜上涨本身也可能是过拟合的信号，这一点我们在这篇文章里单独讲过。如果家长还不清楚段位、奖牌与平台四大板块之间的对应关系，建议先读一遍Kaggle 入门指南再来看进度，判断会准得多。
五、最常见的四个卡点
- 卡点一：编程基础不够就直接上竞赛。表现为看得懂别人的代码但自己写不出来。解法是回到第一阶段，用一个和竞赛无关的小数据集，独立写完一份 EDA。
- 卡点二：没有本地验证。表现为只能靠提交才知道好坏，于是不断消耗每日提交次数。解法是先把交叉验证搭起来，再谈优化。
- 卡点三：没有实验记录。做了二十次改动，却说不出哪次有效。解法是用一张表记录：改动内容、验证分数、结论，一行一次。这类表格我们自己整理了一套中文模板（实验日志、提交清单与 EDA 模板），学生可以在学习路径页向我们索取后直接套用，不必从零设计。
- 卡点四：只做不写。三个月后只剩一堆跑过的代码，没有任何能展示的成果。解法是在第四阶段把最好的一次尝试整理成可复现的 Notebook。
需要说明的是，我们提供的辅导是教方法与带复盘——包括如何建立验证体系、如何记录实验、如何把过程整理成作品，不对名次或奖牌做任何保证。竞赛结果取决于孩子自身的投入、题目难度与当期参赛者水平。
常见问答
Q：孩子完全没学过编程，12 周够吗？
够走完一轮，但目标要放对。零基础学生在 12 周内合理的目标是「独立完成一次有效提交，并整理出一份可读的 Notebook」，而不是拿奖牌。第一阶段可能需要多花 1–2 周补 Python 与 pandas，后面三个阶段顺延即可，节奏比进度更重要。
Q：注册和参赛需要付费吗？
Kaggle 面向全球免费开放注册，中国学生可以直接注册并参加。不过每场竞赛都有各自独立的规则、资格条件与时间安排，是否有额外要求以 kaggle.com 上该场比赛的 Rules 页为准。本站为独立运营的中文指南，不代表 Kaggle 或任何赛事主办方，报名请前往官方网站。
Q：应该先学完机器学习课程再开始，还是边做边学？
建议边做边学，但要有顺序。先具备读写数据的能力（第一阶段），再进入竞赛；否则会陷入「课程听了很多、动手依然为零」的状态。反过来，完全跳过基础直接冲竞赛，通常在第三阶段的验证环节卡住，因为看不懂自己的模型为什么会波动。
Q：12 周之后应该做什么？
把第一份作品打磨到别人能复现，然后换一个不同类型的问题再走一轮。第二轮通常快得多，也是能力真正沉淀的阶段。若打算把这段经历用于升学材料，重点是讲清方法与思考过程，而不是罗列名次。
本文由 Kaggle 中文编辑部撰写，由翰林教育为在中国就读国际学校的学生运营。本站独立运营，不代表 Kaggle 或任何赛事主办方；竞赛的正式规则由主办方制定并逐年调整，报名与最新细则请以 kaggle.com 为准。如发现内容有误，我们将在 7 个工作日内更正。