--- title: "Kaggle（カグル）とは？登録・無料GPUの枠・Titanicの提出と評判を解説" url: "https://www.issoh.co.jp/tech/details/3931/" published: 2024-10-23 updated: 2026-10-28 categories: ["AI"] publisher: "株式会社一創" --- # Kaggle（カグル）とは？登録・無料GPUの枠・Titanicの提出と評判を解説 **Kaggle（カグル）**は、Google傘下の機械学習・データサイエンスのコンペティションプラットフォームです。企業や研究機関が出した課題に予測モデルで挑むコンペを中心に、公開データセット、ブラウザで動くNotebook、学習済みモデル、無料の学習コースが1つのサイトに揃っています。この記事では、読み方と運営元、アカウント作成で詰まりやすい電話番号認証、Notebookの無料GPU・TPUの枠、Titanicコンペでの最初の提出、日本語での使い方、ランク制度と評判までを順に説明します。 ## まとめ：Kaggleでできることと始める順番 KaggleはAnthony Goldbloom氏が2010年に創業し、2017年にGoogleが買収したサービスで、登録・コンペ参加・Notebookの利用はいずれも無料です。Pythonの基礎がある人なら「アカウント作成 → Titanicで1回提出 → 公開Notebookを読む → 終了済みコンペで練習」の順に進めるのがおすすめです。Titanic程度ならCPUで動くので、電話番号認証はGPUを使う段階で済ませれば足ります。GPUの利用時間には週あたりの上限があります。画面と公式ドキュメントは英語で、説明を読む程度ならブラウザ翻訳で対応できますが、コンペのルールは原文で確認してください。メダルやランクは実力の目安になる一方、上位に届くには数か月単位の試行錯誤が要るので、短期間で取れる資格のような肩書きを求める人には向きません。 ## Kaggleの読み方・運営元・利用者数 Kaggleは「カグル」と読み、利用者は「Kaggler（カグラー）」と呼ばれます。2010年にAnthony Goldbloom氏が創業し、2017年3月8日にGoogle Cloudへの合流が発表されました（[Google Cloudの発表](https://cloud.google.com/blog/products/gcp/welcome-kaggle-to-google-cloud/)）。現在のトップページは「The World’s AI Proving Ground」を掲げ、従来の予測コンペに加えて、生成AIモデルの評価にも領域を広げています。 規模について、Kaggle公式の紹介資料「[Meet Kaggle](https://www.kaggle.com/static/slides/meetkaggle.pdf)」は「Over 33 million people have registered on Kaggle」と、登録者を3,300万人超としています（2026年10月28日に取得した版）。日本語の解説記事には「500万人」「1,000万人」と書かれたものが残っていますが、いずれも古い時点の数字です。上位ランクの人数は、利用者が公開している集計Notebook「[Kaggle in Numbers](https://www.kaggle.com/code/carlmcbrideellis/kaggle-in-numbers)」が2025年4月2日時点でMaster 2,973人、Grandmaster 612人と数えています。 ## Kaggleでできること：主な6つの機能 ### コンペの提出形式とPublic・Privateの順位 主催者が配布したデータで予測モデルを作り、予測結果（またはNotebookそのもの）を提出すると自動で採点され、順位表（Leaderboard）に載ります。たとえば皮膚がんの検出を競った「ISIC 2024 – Skin Cancer Detection with 3D-TBP」は、2024年6月27日から9月6日まで開かれ、2,739チームが参加し、賞金総額は8万ドルでした。賞金つきの本格的なコンペのほか、Titanicのような賞金なしの入門コンペ（Getting Started）や、Notebook上で推論まで完結させる「コードコンペ」があります。順位表には提出データの一部で計算するPublicと、締め切り後に残りのデータで確定するPrivateの2つがあり、最終順位はPrivateで決まります。Publicの順位だけを追うと、締め切り後に大きく順位を落とすことがあります。 ### データセットの検索・読み込み・公開 利用者が投稿した公開データセットを検索してダウンロードしたり、Notebookから直接読み込んだりできます。自分のデータを公開・非公開で置くことも可能です。誰でも投稿できる分、出所や同意の確認が甘いデータも混じる点は、後の「評判」の章で具体例を挙げます。 ### Notebookの実行環境とCopy & Edit ブラウザ上でPythonを実行できるJupyter形式の開発環境です（旧称Kernels）。Rにも対応していましたが、2026年10月21日にR対応の終了が告知されたため（[告知](https://www.kaggle.com/product-announcements/751525)）、これから始めるならPythonを選んでください。主要なライブラリは最初から入っており、CPUは無料、GPU・TPUは週ごとの上限内で無料で使えます。他人の公開Notebookを「Copy & Edit」で複製すれば、そのまま動かしながら読めます。 ### 学習済みモデルの配布とTensorFlow Hubの移管 2023年に追加された、学習済みモデルの配布機能です。TensorFlow Hubのモデルもここへ移管され、2023年11月15日から`tfhub.dev`のリンクはKaggle Modelsの対応ページへ転送されています（[tensorflow/hubの告知](https://github.com/tensorflow/hub)）。Notebookや自分のPCからは`kagglehub`ライブラリの`model_download`でダウンロードできます（[kagglehub](https://github.com/Kaggle/kagglehub)）。 ### Kaggle Learnの無料コースと修了証 Python、Pandas、Intro to Machine Learning、Feature Engineering、Intro to SQLなど17の無料コースがあり（[Kaggle Learn](https://www.kaggle.com/learn)）、各コースを修了すると修了証が発行されます。 ### Discussionでの解法共有とBenchmarksでのモデル評価 コンペごとの掲示板（Discussion）では、上位者が締め切り後に解法を公開するのが慣習になっています。2025年以降はLLMを評価タスクで比べる「Kaggle Benchmarks」も加わりました（後述）。 ## Kaggleのアカウント作成と電話番号認証 アカウントは[公式の登録ページ](https://www.kaggle.com/account/login)から、Googleアカウントかメールアドレスで作れます。メールで登録した場合は確認メールのリンクを開くと有効になります。ログインも同じ方法で行います。 見落としやすいのが**電話番号認証（Phone Verification）**です。登録直後のアカウントでも閲覧やCPUでのNotebook実行はできますが、GPUを使うには電話番号認証が必要です（[Kaggleスタッフの回答](https://www.kaggle.com/discussions/product-feedback/268333)）。公開Modelsの作成にも電話番号認証が求められ、TPUは2026年1月28日の[告知](https://www.kaggle.com/discussions/product-announcements/670573)以降、全ユーザーに本人確認（identity verification）が必要になりました。電話番号認証は設定画面（Settings）の「Phone Verification」でSMSのコードを入力すれば完了しますが、TPU向けの本人確認はこれとは別の手続きです。NotebookでGPUを選べないときは、まずこの認証が済んでいるかを確認してください。 ## Kaggle Notebookの使い方と無料GPU・TPUの枠 ### Notebookの作成とデータの配置場所 上部メニューの「Create」から「New Notebook」を選ぶと、空のNotebookが開きます。右側のパネルの「Add Input」でコンペやデータセットを追加すると、ファイルは`/kaggle/input/`以下に読み取り専用で置かれ、出力は`/kaggle/working/`に保存されます。セルの実行方法はJupyterと同じです。 ### GPU・TPUの週あたりの上限 GPUの無料枠は週30時間で、需要と空き状況によってはそれより多く割り当てられる、と[公式のGPU利用ガイド](https://www.kaggle.com/docs/efficient-gpu-usage)に書かれています。1回のセッションはCPU・GPUで最長12時間、TPUで最長9時間です（[Notebooksのドキュメント](https://www.kaggle.com/docs/notebooks)）。 | 項目 | 2026年10月時点 | | ----------- | -------------------- | | GPUの週あたりの上限 | 30時間（増える場合あり） | | 1セッションの上限 | CPU・GPU 12時間／TPU 9時間 | | GPUの構成 | NVIDIA T4（16GB）×2 | | TPUの構成 | TPU v5e-8 | | GPUの利用条件 | 電話番号認証 | | TPUの利用条件 | 本人確認 | GPUは以前Tesla P100も選べましたが、2026年9月15日に廃止され、P100を指定していたNotebookはT4×2へ自動で切り替わりました（[2026年8月14日の告知](https://www.kaggle.com/product-announcements/735239)）。古い解説記事の「P100で動かす」という手順はそのままでは使えません。TPUは2025年9月12日にv5e-8の導入とv3-8からの段階的な移行が告知されています（[告知](https://www.kaggle.com/product-announcements/607202)）。TPUの週あたりの上限は告知のたびに変わってきたので、使う前にNotebook右側のパネルで残り時間を確認してください。 ### Google Colabとの使い分け 同じGoogleの無料Notebookでも、Kaggleは「週あたりの時間枠が明示され、コンペのデータがすぐ読み込める」点、Colabは「Googleドライブとの連携が手軽で、有料プランで計算資源を増やせる」点が違います。コンペに出るならKaggle、手元のデータを試すならColabと分けると迷いません。Colabをコマンドラインから使う方法は[Colab CLIの使い方](/tech/details/12438/)で解説しています。 ## Titanicコンペでの予測と提出の手順 最初の1本には「[Titanic – Machine Learning from Disaster](https://www.kaggle.com/competitions/titanic)」を選ぶのが定番です。乗客の年齢・性別・客室クラスなどから生存したかどうか（0か1）を予測する分類問題で、締め切りがなく何度でも提出できます。提出ファイルは`PassengerId`と`Survived`（生存=1・死亡=0）の2列で、ヘッダーに続けてテストデータ418人分の予測を書いたCSVです。 ### Notebookで予測ファイルを作るコード Titanicのコンペページで「Join Competition」を押してルールに同意し、そのコンペのNotebookを作成すると、データが自動で追加されます。次のコードは、年齢の欠損を中央値で埋め、性別を数値に変え、[Scikit-learn](/tech/details/3133/)のランダムフォレストで学習して提出ファイルを書き出す最小構成です。表データの読み込みには[pandas](/tech/details/3123/)を使います。 ``` import pandas as pd from sklearn.ensemble import RandomForestClassifier # コンペのデータは /kaggle/input/titanic/ に置かれる train = pd.read_csv("/kaggle/input/titanic/train.csv") test = pd.read_csv("/kaggle/input/titanic/test.csv") # 年齢の欠損は学習データの中央値で埋める（テスト側も同じ値を使う） median_age = train["Age"].median() train["Age"] = train["Age"].fillna(median_age) test["Age"] = test["Age"].fillna(median_age) # 性別を数値に変換する train["Sex"] = train["Sex"].map({"male": 0, "female": 1}) test["Sex"] = test["Sex"].map({"male": 0, "female": 1}) features = ["Pclass", "Sex", "Age"] model = RandomForestClassifier(n_estimators=100, random_state=0) model.fit(train[features], train["Survived"]) submission = pd.DataFrame({ "PassengerId": test["PassengerId"], "Survived": model.predict(test[features]), }) submission.to_csv("submission.csv", index=False) ``` 同じ特徴量とモデルを、公開されているTitanicの学習データ891行で5分割の[交差検証](/tech/details/16353/)にかけると、正解率は0.796でした（scikit-learn 1.6.1。年齢の補完は各分割の学習側だけで中央値を求めるよう`SimpleImputer`とPipelineで組んで測定）。一方、「女性は生存・男性は死亡」と答えるだけの規則でも学習データの正解率は0.787あり、モデルを使っても1ポイントほどしか上がりません。コンペ側が配布する見本の提出ファイル`gender_submission.csv`もこの規則で作られています。最初の目標は「この見本のスコアを超えること」と置くと、改善の手応えを測りやすくなります。 ### 提出の手順（Web画面とKaggle CLI） Notebookを保存して実行が終わると、出力された`submission.csv`をコンペへ提出できます。Notebookを使わない場合は、コンペページからCSVを直接アップロードします。採点が終わるとPublicのスコアと順位が表示されます。提出回数は多くのコンペで1日5回までで、チームで参加している場合はチーム全体で数えます（[公式のコンペガイド](https://www.kaggle.com/docs/competitions)）。 自分のPCで作業する場合は、公式のコマンドラインツール[kaggle](https://pypi.org/project/kaggle/)（2026年10月22日公開の2.2.5・Python 3.11以上）を使います。認証は`kaggle auth login`か、設定画面で発行したトークンを環境変数`KAGGLE_API_TOKEN`に入れる方法が[公式ドキュメント](https://github.com/Kaggle/kaggle-api/blob/main/docs/README.md)で案内されています。 ``` pipx install kaggle kaggle auth login kaggle competitions download titanic -p data --unzip # ここで上のPythonコードを実行し submission.csv を作る kaggle competitions submit titanic -f submission.csv -m "random forest baseline" --wait ``` pipxが入っている前提の手順です。PCで上のPythonコードを動かすときは、読み込むパスを展開先の`data/train.csv`と`data/test.csv`に変えてください。`--wait`を付けると採点が終わるまで待ち、Publicのスコアを表示します（[competitionsコマンドの説明](https://github.com/Kaggle/kaggle-api/blob/main/docs/competitions.md)）。 ## Kaggleを日本語で使う方法 Kaggleの画面と公式ドキュメントは英語で提供されています。コンペの説明・ルール・Discussionも英語が基本なので、ブラウザの翻訳機能で読むのが現実的です。コードと数値が中心のサイトなので、翻訳で意味が崩れて困る場面は多くありません。ただしルール（Rules）の外部データ・チーム結成の条項は、翻訳だけに頼らず原文で確認してください。違反すると順位が取り消されます。 日本語のデータセットを探すときは、Datasetsの検索欄に「Japanese」や「Japan」と入れ、ファイル形式やライセンスで絞り込みます。日本語テキストを扱うデータは件数が少なく、投稿者が出所を書いていないものもあるので、説明欄（Provenance）とライセンスを確認してから使ってください。 ## メダルとランク（Progression System）の仕組み ランク制度は2025年7月7日の[Progression Update](https://www.kaggle.com/product-announcements/588704)で大きく変わりました。登録直後のNoviceと2段目のContributorが廃止され、Discussionsのランクも終了（過去の上位称号はLegacy扱い）しています。現在は**Competitions・Code・Datasetsの3トラックごとに、Expert・Master・Grandmasterの3段階**です（[Progressionのページ](https://www.kaggle.com/progression/dashboard)）。「Novice・Contributor・Expert・Master・Grandmasterの5段階」「4カテゴリ」と書いた解説は、この変更前の情報です。 段階はメダルの数で上がり、メダルの基準はトラックごとに違います。CodeとDatasetsの票数は、公式が定める条件を満たした有効票だけを数えます。 | トラック | 銅 | 銀 | 金 | | ------------------------ | ----- | ----- | ---------- | | Code（投票数） | 5票 | 20票 | 50票 | | Datasets（投票数） | 5票 | 10票 | 25票 | | Competitions（100〜249チーム） | 上位40% | 上位20% | 上位10位 | | Competitions（1,000チーム以上） | 上位10% | 上位5% | 上位10位＋0.2% | Competitionsの基準は参加チーム数で4段階に分かれます（[基準の全表](https://www.kaggle.com/progression/competitions)）。1,000チームを超えるコンペで金を取るには上位10位に参加チーム数の0.2%を足した順位以内、たとえば2,739チームなら上位15位以内に入る必要があります。前述の集計ではGrandmasterは2025年4月時点で612人にとどまります。入門者が最初に狙うなら、投票で決まるCodeのExpertのほうが現実的です。 ## Kaggleは意味ある？評判と向いている人・向かない人 Kaggleでは、企業が出した実データのコンペ、締め切り後に公開される上位者の解法、投票の多い公開Notebookを無料で読めます。コンペのメダルは、参加チームの中で所定の順位に入った実績です。ただし、次の3点は評判として語られにくいので先に書いておきます。 **1つ目は、コンペの勝ち方と実務の進め方が違うことです。**コンペでは評価指標が最初から決まっていて、わずかなスコア差を詰めるために複数のモデルを組み合わせるアンサンブルがよく使われます。実務では指標を決める作業や、運用できる単純さのほうが重視されます。メダルだけを根拠に実務力を判断されると、この差が問題になります。 **2つ目は、データセットの品質が保証されていないことです。**2025年12月には、Kaggleに投稿された子どもの顔写真のデータセット（2,900枚超・同意や倫理審査の確認が無いもの）を学習に使った論文が、Springer Natureで40本近く撤回・削除されたと[The Transmitter](https://www.thetransmitter.org/retraction/exclusive-springer-nature-retracts-removes-nearly-40-publications-that-trained-neural-networks-on-bonkers-dataset/)が報じました。同記事によれば、このデータセットは規約違反で2022年にKaggleから削除された後も、別の場所で出回っていました。PLOS Oneも同種のデータを使った論文を、診断の妥当性や保護者の同意を確認できないとして撤回しています（[撤回通知](https://pmc.ncbi.nlm.nih.gov/articles/PMC12742781/)）。練習用か業務用かを問わず、人の写真や医療データを扱うデータセットは、出所・収集方法・ライセンスを確認し、説明の無いものは使わないでください。 **3つ目は、時間がかかることです。**前述のISIC 2024は約10週間の開催で、提出は1日5回まででした。上位を狙うなら、その期間の週末の多くを試行錯誤に充てることになります。Pythonの基礎が無い段階でいきなりコンペに入るより、Kaggle LearnのPythonとPandasを先に終えたほうが挫折しにくいでしょう。 向いているのは、実データで試行錯誤したい人、上位者の公開コードから手法を吸収したい人、データ分析職への転職で客観的な材料が欲しい人です。向かないのは、短期間で肩書きが欲しい人と、業務で使うモデルの作り方（要件定義・運用）を学びたい人です。後者の課題を社内で抱えている場合は、[機械学習モデル開発の支援](https://www.issoh.co.jp/service/ai/machine-learning/)のような外部の力を借りるほうが早いこともあります。 ## Titanicの次に取り組むこと：学習の順番 Titanicで提出できたら、上位者のNotebookを1本選び、欠損の埋め方と特徴量の作り方を自分のコードに移してみてください。次は締め切りが過ぎたコンペで練習します。終了後もLate Submissionとして提出でき、上位者の解法がDiscussionに残っているので、答え合わせをしながら学べます。 表データのコンペでは、[LightGBM](/tech/details/3919/)などの勾配ブースティングと、[特徴量エンジニアリング](/tech/details/15843/)が上位解法の軸になることが多いです。試した設定とスコアが増えてきたら、[実験管理](/tech/details/16340/)の仕組みを入れておくと、どの変更が効いたのかを後から追えます。 ## AI評価の場としてのKaggle：BenchmarksとGame Arena 2025年7月に[Kaggle Benchmarks](https://www.kaggle.com/blog/announcing-kaggle-benchmarks)が発表され、研究機関が公開しているベンチマークを同じ条件で再現し、LLMを並べて比べられるようになりました。8月4日にはAIモデル同士を戦略ゲームで対戦させる[Kaggle Game Arena](https://blog.google/innovation-and-ai/products/kaggle-game-arena/)が加わり、2026年2月2日にWerewolf（人狼）とポーカーが追加されています。2026年1月14日からは利用者が独自の評価を作って公開できる[Community Benchmarks](https://blog.google/innovation-and-ai/technology/developers-tools/kaggle-community-benchmarks/)、6月4日からは自分の環境でタスクを作って送信する機能も使えます。CLIでは`kaggle benchmarks`コマンドでタスクの登録・実行・結果のダウンロードができます（[benchmarksコマンドの説明](https://github.com/Kaggle/kaggle-api/blob/main/docs/benchmarks.md)）。2025年12月15日より後に登録したアカウントは、タスクNotebookの実行に追加の本人確認が必要です（[Benchmarksのドキュメント](https://www.kaggle.com/docs/benchmarks)）。 AGIへの進み具合を測る評価の枠組みもKaggleのコンペとして公募されており、その中身は[Google DeepMindのAGI評価フレームワーク](/tech/details/12122/)で解説しています。予測モデルを作る場から、モデルを比べる場へ広がっていることは、Kaggleを学習の場として選ぶ理由にもなります。 ## よくある質問 ### Kaggleはお金がかかりますか？ 登録、コンペへの参加、Notebookの実行、Kaggle Learnの受講はいずれも無料です。GPU・TPUも週ごとの上限内なら料金はかかりません。上限を超えて使いたい場合は、Colabの有料プランやクラウドの有料インスタンスなど別の環境を使う方法があります。 ### Kaggleは日本語で使えますか？ 画面と公式ドキュメントは英語で提供されています。ブラウザの翻訳機能で読めますが、コンペのルールは原文で確認してください。日本語のデータセットは「Japanese」で検索すると見つかります。 ### Kaggle NotebookでGPUが選べないのはなぜですか？ 多くの場合、電話番号認証が済んでいないか、その週のGPUの上限を使い切っています。設定画面のPhone Verificationと、Notebook右側パネルの残り時間を確認してください。 ### プログラミング初心者でもKaggleを始められますか？ 始められます。プログラミングが初めてなら、Kaggle Learnの「Intro to Programming」から入り、PythonとPandasのコースを終えてからTitanicに進むと、コードの意味を追いながら取り組めます。 ### Kaggleの実績は就職に役立ちますか？ コンペのメダルや称号は、参加チームの中で所定の順位に入った実績として示せます。ただし実務の要件定義や運用の力までは示せないので、自分の解法で何を工夫したかの説明や、業務での成果と組み合わせて伝えてください。 ## 関連記事 - [Scikit-learnとは？読み方・できること・使い方を実行例で解説](/tech/details/3133/) - [Pandasとは？できること・使い方とPandas 3.1の変更点【2026年10月】](/tech/details/3123/) - [LightGBMとは？勾配ブースティングの仕組みとPython実装・n\_estimatorsの決め方【4.7.0】](/tech/details/3919/) - [特徴量エンジニアリングとは？変換・選択・自動化の工程と実装判断【2026年版】](/tech/details/15843/) - [交差検証とは？分割手法の選び方とデータリーク対策を実装目線で解説【2026年版】](/tech/details/16353/) --- 出典: [Kaggle（カグル）とは？登録・無料GPUの枠・Titanicの提出と評判を解説]()（株式会社一創）