Google计划收购数据科学社区Kaggle

外媒援引消息人士报道称谷歌正在收购数据科学平台Kaggle该平台曾举办数据科学和机器学习比赛。 交易有关的详细信息尚未披露但考虑到Google本周将在旧金山主持Cloud Next会议该公司可能会在明天公布相关消息。Kaggle联合创始人兼首席执行官Anthony Goldbloom拒绝对收购消息发表评论。Google也拒绝“对谣言作出评论”。

Kaggle由Goldbloom和Ben Hamner于2010年创立目前其平台上拥有大约50万数据科学家。Kaggle的竞争对手包括了DrivenData、TopCoder和HackerRank等不过其设法通过专注于特殊壁垒将其他竞争对手远远抛在身后。 这项服务基本上是开展数据科学和机器学习竞争的实际基地。

如果收购KaggleGoogle将获得一个最大和最活跃的数据科学家社区——这样它也将在这个社区得到更多的关注。

Kaggle也与谷歌有过合作。在本月初Google和Kaggle合作举办了一场围绕 YouTube 视频分类的机器学习比赛最高奖金达$100,000美元。 这场比赛也与Google Cloud Platform进行了深度整合。

虽然此次收购可能更多关于Kaggle的社区而非技术Kaggle也构建了“kernels”等一些有趣的工具来举办比赛。“kernels”基本上是Kaggle用于分析数据集的源代码开发人员可以在平台上共享此代码。

据Crunchbase报道自2010年成立以来Kaggle已经获得了1250万美元的融资。Kaggle的投资者包括Index VenturesSV AngelMax LevchinNaval RavikantGoogle首席经济学家Hal VarianKhosla Ventures和Yuri Milner等。

本文转自d1net转载

时间： 2024-09-20 09:25:18

Google计划收购数据科学社区Kaggle的相关文章

传谷歌加码机器学习 将收购数据科学社区Kaggle

导语:Kaggle于2010创立,该平台上目前拥有50万名左右的数据科学家.Kaggle实际上是举行数据科学和机器学习竞赛最重要的平台. 谷歌加码机器学习,据报将收购数据科学社区Kaggle kaggle.com主页 雷锋网(公众号:雷锋网)3月8日消息,科技博客TechCrunch援引消息人士报道称,谷歌正在收购Kaggle -- 一个举办数据科学和机器学习竞赛的平台.有关此次交易的详细信息目前还未披露,但是考虑到谷歌本周在旧金山召开Cloud Next云技术大会,官方消息很可能会在明天公布.

2017数据科学与机器学习行业现状调查 Python是最受欢迎的语言

今年,Kaggle有史以来第一次对人工智能领域进行了深度调查,旨在全面了解数据科学和机器学习的概况.本次调查收到了 16000 多份答卷,庞大的调查数据为我们提供了有关从业者.业界最新动态以及如何进入该行业的数据支撑.以下报告包括本次调查的几个主要结果,其中包括: 尽管Python很可能是机器学习最常用的编程语言,但统计学家使用最多的是 R 语言. 数据科学家的平均年龄在 30 岁左右,但是这个数字在不同的国家有所不同.例如,印度受访者的平均年龄要比澳大利亚的小 9 岁. 被调查者教育程度最多是

技术 | 使用Python来学习数据科学的完整教程

我在SAS工作了5年多之后,决定走出舒适区.作为一名数据科学家,我在寻找其他好用的工具,幸运的是,没过多久,我发现了Python. 一直以来,我喜欢敲代码.事实证明,有了Python,敲代码变得更为容易. 我花了一周时间来学习Python的基础知识,从那时起,我不仅深入钻研Python,而且还帮助许多其他人学习这门语言.起初,Python是门通用语言,多年来,随着社区的大力支持,现在有了数据分析及预测建模库. 由于缺少Python数据科学资源,我决定创建本教程,旨在帮助大家快速入门.在本教程中,

2017年安全数据科学领域的4个趋势

安全数据科学正在蓬勃发展,有报告显示安全分析市场将在2023年达到八十亿美元的价值, 26%的增长率.这要感谢不屈不挠的网络攻击.如果你想要在2017年走在不断涌现的安全威胁的前面,那么投资在正确的领域是很重要的.在2016年3月,我写了一篇<2016年需要注意的4个趋势>.而2017年的文章由我与来自Netflix的Cody Rioux合作,带来他的平台化视角.我们的目标是帮助你为2017年的每一个季度形成一个计划(例如,4个季度有4个趋势).对于每一个趋势,我们都提供了一个短小精悍的理论基

让科学的“可重复性流程”重回数据科学

科学(比如物理.化学等)的主要原则(或者至少是科学的理想原则)之一是:可重复性.只有结果能被清楚地再现并经过严格的同行评议后,真正"科学的"结论才能被学术界所接受.当然,不管是学术界里科学家还是数据科学家,在实际操作过程中,事情都会变的有些混乱.很多数据科学家所使用的流程都还远未达到可重复性.这些流程可能是如下的几种形式: 一系列的Jupyter notebook,里面包括不断增加的描述性的文件名,比如second_attempt_at_feature_selection_for_pa

大数据：13个真实世界情景中的数据科学应用

现在让我们看看13个在真实世界情景下的例子,了解现代数据科学家可以帮助我们做些什么.这些例子将有助于你学习如何专注于一个问题和如何形式化一个问题,以及如何仔细评估所有潜在问题--总之,是学习数据科学家在提出解决方案之前,如何定位问题和进行战略性思考.你也会看到为什么一些广泛使用的技术,如标准回归,可能并不适合所有情况. 数据科学家的思维方式不同于工程师.运筹学专业人士.计算机科学家.虽然运筹学涉及很多分析,但这一领域的焦点是具体业务优化层面,如库存管理和质量控制.运筹学涉及国防.经济.工程.军事

新加坡推出人工智能计划AI.SG 迎战人工智能和数据科学关键难题

新加坡政府为解决新加坡面临的挑战正在转向人工智能(AI)和数据科学,日前引入了新的举措和解决方案以推动这些行业的发展. 新加坡的国家研究基金会(NRF)是总理办公室下属的一个部门,NRF将在五年内投资一亿五千万新元(一亿一千七百三十三万美元),旨在发展新加坡的人工智能技术.NRF日前推出名为AI.SG的计划,该计划横跨包括信息通信媒体发展管理局(IMDA).经济发展局(EDB)和综合卫生信息系统(IHiS)等各种政府机构,AI.SG计划亦将涵括本地AI研究机构和AI初创公司. 通讯与信息部长Ya

数据科学工具包（万余字介绍几百种工具，经典收藏版！）

本文简介:数据科学家的常用工具与基本思路,数据分析师和数据科学家使用的工具综合概述,包括开源的技术平台相关工具.挖掘分析处理工具.其它常见工具等几百种,几十个大类,部分网址.为数据科学教育和知识分享,提高数据科学人员素质. 数据科学融合了多门学科并且建立在这些学科的理论和技术之上,包括数学.概率模型.统计学.机器学习.数据仓库.可视化等.在实际应用中,数据科学包括数据的收集.清洗.分析.可视化以及数据应用整个迭代过程,最终帮助组织制定正确的发展决策数据科学的从业者称为数据科学家.数据科学家有其独

开启数据科学职业生涯的8个基本技巧

更多深度文章,请关注:https://yq.aliyun.com/cloud Nick Bostrom(译者注:Nick Bostrom是牛津大学哲学系的教授,是人类未来研究院的创始人和主任.他的新书< Superintelligence>(超级智能) 在出版后,包括伊隆·马斯克.史蒂芬·霍金以及比尔·盖茨等杰出的科技人士纷纷对其表示了支持,另外Google也成立伦理委员会来监督AI技术的发展)曾经说过:机器学习是人类最后的发明.我是一名刚刚进入数据科学这个"未来科技"行业