Kaggle Learn 微课程怎么学：17 门课的顺序、课时与证书

Kaggle Learn 是 Kaggle 官方维护的免费微课程体系，入口在 kaggle.com/learn。它把数据科学的入门知识拆成十几门三五小时的短课，每门课配教程 Notebook 和练习题，学完发一张完成证书。适合已经决定走数据方向、需要一个不花钱的起步路径的人。

课程体系：17 门微课与几条主线

截至 2026 年 11 月，Learn 首页的 Courses 区列出 17 门课。官方对它的定位说得很直白：把复杂主题压到关键实操部分，让人在几小时而不是几周内拿到能用的技能，全部免费。

• 语言与数据操作：Intro to Programming、Python、Pandas、Intro to SQL、Advanced SQL、Data Cleaning
• 机器学习：Intro to Machine Learning、Intermediate Machine Learning、Feature Engineering、Machine Learning Explainability
• 深度学习与视觉：Intro to Deep Learning、Computer Vision
• 专题方向：Data Visualization、Time Series、Geospatial Analysis、Intro to AI Ethics、Intro to Game AI and Reinforcement Learning

除了课程，首页还有一块 Guides，是与 Google 合作的五天课程和若干主题合集，例如 5-Day AI Agents 系列、NLP 初/中/高三档、Kaggle 竞赛指南。Guides 更偏阅读与跟做，不进入课程进度，也不发证书。

课程按难度分两层：Intro 系列面向零基础，带 Intermediate、Advanced 字样的课默认你已经会用基础工具。判断方法很省事，先看课程页底部的 Builds on 一栏，空着的基本可以直接进。

推荐顺序：从 Python 起步，别乱跳

课程页之间互相标了 Builds on（前置）和 Preparation for（后续），照着这张依赖图排，比按兴趣乱点省事得多。

1. Intro to Programming：完全没写过代码就从这门开始，有编程基础可以跳过。
2. Python：7 节，官方估计 5 小时拿证。讲语法、函数、布尔与条件、列表、循环、字符串与字典、外部库。
3. Pandas：6 节，估计 4 小时。读写数据、索引与筛选、汇总函数、分组排序、缺失值、重命名与合并。
4. Intro to Machine Learning：7 节，估计 3 小时。先讲模型怎么工作，再走数据探索、建模型、验证、过拟合欠拟合、随机森林，收尾是竞赛入门。
5. Intermediate Machine Learning：处理缺失值、类别变量、数据泄漏，是通往特征工程的必经一段。
6. Feature Engineering：6 节，估计 5 小时。互信息、构造特征、K-Means 聚类、主成分分析、目标编码。
7. Intro to Deep Learning：6 节，估计 4 小时。从单个神经元讲到深层网络、随机梯度下降、过拟合、Dropout 与批归一化、二分类。

有一处容易走错：Feature Engineering 的前置标的是 Intermediate Machine Learning，不是 Intro to Machine Learning。想学特征工程，得先把中间那门补上。

每门课的预估课时和前置关系都写在课程页底部，Python 与 Pandas 的页面上就能看到 Hours to earn certificate 这一栏。

把有官方估时的五门加起来：Python 5 小时、Pandas 4 小时、Intro to Machine Learning 3 小时、Feature Engineering 5 小时、Intro to Deep Learning 4 小时，合计约 21 小时。加上 Intermediate Machine Learning 和重做练习的时间，每周投十小时，两周能走完主线。

再往后可以按方向分叉。做完 Intro to Deep Learning 接 Computer Vision；做完 Pandas 接 Data Cleaning 或 Geospatial Analysis；关心可解释性就去看 Machine Learning Explainability。SQL 两门课与主线并行即可，不卡顺序。

每节课长什么样：教程、练习与进度条

每门课由若干节组成，一节对应一个 Notebook。前半段是教程，带讲解和可运行的代码单元；后半段是同主题的练习，链接指向另一个 Notebook，需要自己填代码。

练习不是选择题。多数是给一段待补全的单元格，运行后对照预期输出，或者用检查函数提示哪一步不对。做完一节，课程页对应位置的进度会从 0% 往前走。

练习用的 Notebook 都是从模板 fork 出来的副本，改坏了不影响原文件，重开一份就能重来。课程页会记录每一节的完成状态，换一台设备登录同一个账号也能接着做。

节数并不等于练习数。Intro to Machine Learning 的第 1 节 How Models Work 只有教程没有练习，从第 2 节起才配练习；Feature Engineering 与 Intro to Deep Learning 都在正课之外挂了 Bonus Lessons，用来衔接真实竞赛，不计入证书。

课时是估值。官方在每门课页面写的是预计拿证小时数，我核对的五门标的是 3 到 5 小时，第三方评测给出的整体区间是 3 到 7 小时。这个数字按做完练习计，只看教程会快很多。

Notebook 环境与免费算力边界

课程全部在 Kaggle 自家的 Notebook 里跑，不用装 Python，也不用配环境。官方文档给出的规格是：CPU 会话 4 核 30GB 内存，GPU 会话可加一张 Tesla P100 或两张 T4，GPU 环境的 CPU 与内存会比纯 CPU 会话低一些。

这些限制对课程练习基本无感，跑几十行 Pandas 或训练一个小网络用不到加速器。真正需要留意的是会话时长：长任务要用 Save & Run All 提交后台跑，交互式页面挂太久会被回收。

免费算力不是无限。GPU 与 TPU 在高峰要排队，周配额用完就得等下一周；文档也写明 Kaggle 保留对资源使用的管理权。学习阶段够用，别把它当训练集群。

文档里还有一个例外：Colab Pro 与 Pro+ 用户可以把账号链到 Kaggle，分别多拿每周 15 与 30 小时的 GPU 时长。这项属于限时推广，条款写明 Kaggle 可随时调整，不适合当成长期额度来规划。

证书怎么拿，以及它值多少

证书规则很简单：一门课的每一节都完成，就算学完，系统自动发一张 completion certificate。入口在 Learn 的 Courses 页面，切到 Completed 标签，点 View Certificate 查看，也可以直接分享到 Twitter 或 LinkedIn，细节见证书说明页。

证书免费，没有考试，没有身份核验，也不标分数。它证明的是你把练习做完了，不证明水平。第三方评测的说法更直接：这类证书在招聘市场的外部认可度有限，别把它写进简历的核心位置。

所以定位要摆正。它适合当工具课：想在两天内把 Pandas 用起来，或者想知道随机森林和验证集是怎么回事，Kaggle Learn 的密度很高。它不适合当系统课：理论推导、工程实践、项目答辩都缺。

要补齐系统性，可以配合站内《CS50x 2026 学习路线》那种长周期课程，把计算机基础打牢；练习量不够就去看站内《Exercism 上手》，那套按语言分级的题目更磨基本功。第三方对比文章给的建议也类似：系统课打底，Kaggle Learn 补工具，再去打竞赛。

上手建议：先花一个周末做完 Python 与 Pandas，确认自己受得了这种节奏，再决定要不要往下走。每门课学完立刻拿真实数据集复现一遍，比连刷五门课有用。

相关地址

以下为 Kaggle Learn 的课程入口与官方文档，课程数量、课时与算力规格以这些页面为准。

• Kaggle Learn（课程总览）：https://www.kaggle.com/learn
• Kaggle Learn（课程与证书说明）：https://www.kaggle.com/learn-course-certificates
• Kaggle 文档（Notebook 环境与算力规格）：https://www.kaggle.com/docs/notebooks
• Python 课程：https://www.kaggle.com/learn/python
• Pandas 课程：https://www.kaggle.com/learn/pandas
• Intro to Machine Learning 课程：https://www.kaggle.com/learn/intro-to-machine-learning
• Feature Engineering 课程：https://www.kaggle.com/learn/feature-engineering
• Intro to Deep Learning 课程：https://www.kaggle.com/learn/intro-to-deep-learning