職務経歴書の書き方
Kaggle などのコンペの書き方|順位より伝えるべきこと
更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)
Kaggle をはじめとするデータ分析のコンペは、機械学習の力を外から測れる数少ない場です。上位に入った経験は、機械学習エンジニアやデータサイエンティストの書類選考で、今もはっきり評価されます。
ただし、AIスタートアップで見られているのは「順位が高いか」だけではありません。コンペには、業務では当たり前の作業(課題の設定、データの収集、本番での運用)がほとんどありません。見る側は、順位を確かめたうえで、「コンペで身につけた力のうち、仕事に持ち込めるのはどこか」を知りたがっています。
この記事では、コンペの経験を職務経歴書でどう書くかを説明します。ロボットの競技会の経験の書き方にも触れます。
書く要素
コンペ1件ごとに、次の内容を書きます。
- コンペの名前と課題:何を予測する課題か。データの種類(表、画像、文章、時系列)
- 結果:順位と参加チーム数、メダルの種類
- 個人かチームか:チームなら人数と、自分の担当
- 効いた工夫:順位に最も効いたこと
- 評価の設計:手元の検証と、公開されている順位表の差をどう扱ったか
- 公開したもの:解法の説明、コード、Notebook
順位は「上位5%」より「1,850チーム中42位(銀メダル)」のように、実際の数字で書きます。割合だけだと、参加の規模が分かりません。
一番差がつくのは「検証の設計」
コンペの経験で、業務に最も直結するのは、手元での検証の作り方です。
コンペでは、公開されている順位表(Public)と、最後に発表される順位表(Private)の結果が大きく入れ替わることがあります。公開の順位表に合わせすぎた参加者が、最後に順位を落とす現象です。これを避けるには、手元の検証のデータの分け方を、本番のデータに近づける必要があります。
- 時系列のデータなら、時間で区切って検証する
- 同じ人や同じ店舗のデータが学習と検証の両方に入らないよう、グループで分ける
- 手元の検証の値と公開の順位表の値が連動しているかを確かめる
この判断は、業務で「評価の値は良いのに、本番で精度が出ない」問題を防ぐ力と同じです。職務経歴書で検証の分け方に触れておくと、面接での深掘り(過学習を見抜いて防ぐのような質問)にもつながります。
書き換え例
例1:個人で銀メダル
書き換える前 Kaggle で銀メダルを獲得。LightGBM とアンサンブルで上位入賞。
書き換えた後 小売店の商品ごとの需要を予測するコンペ(表形式・時系列、1,850チーム)に個人で参加し、42位(銀メダル)。店舗ごとに傾向が違う点に着目し、時間で区切った検証を店舗のグループごとに作って、公開の順位表に合わせすぎないよう管理。最も効いたのは、祝日の前後と天候の特徴量の追加(検証の誤差を約6%改善)。解法の説明を公開。
ライブラリの名前とアンサンブルは、上位の参加者のほとんどがやっていることなので、差になりません。何に着目し、どう検証し、何が効いたかを書きます。
例2:チームで金メダル
書き換える前 画像認識コンペにチームで参加し、金メダル。
書き換えた後 医用画像の分類コンペ(2,300チーム)に4名のチームで参加し、9位(金メダル)。自分の担当は、画像の前処理と、データの拡張の設計、学習の基盤(クラウドの GPU 環境で複数の実験を並行して回し、結果を MLflow で管理する仕組み)。チームの最終的な提出には、自分が作ったモデル2本が含まれる。
チームでの参加は、自分の担当を書かないと評価のしようがありません。「実験を回す仕組みを作った」のような担当は、MLOps の職種への応募でもそのまま活きます。
例3:メダルなしでも書ける場合
メダルに届かなくても、応募先の分野に近い課題なら書く価値があります。
書き換えた後 製造ラインの画像から不良品を見分けるコンペに個人で参加(上位25%、メダルなし)。不良品の画像が全体の2%しかない偏ったデータで、損失の重みづけとしきい値の調整を比較し、見逃しを減らす方向の設定を検討。業務の外観検査の経験と照らして、評価指標と現場の要求の差を記事にまとめた。
画像検査の会社やフィジカルAIの会社に応募するなら、この経験は順位以上の意味を持ちます。
称号やランクの書き方
Kaggle の称号(Expert、Master、Grandmaster など)は、取得していれば書きます。コンペのほかに、Notebook や議論の部門の称号もありますが、書類選考でよく見られるのはコンペの部門です。どの部門の称号かを明記します。
国内のコンペ(SIGNATE、atmaCup など)の結果も、同じ形で書いてかまいません。
業務との違いを、自分から言えるか
AIスタートアップの面接では、「コンペと業務の違いは何だと思いますか」と聞かれることがよくあります。用意しておく答えの例です。
- 業務では、何を予測するか、何で評価するかを自分で決める必要がある
- 業務では、精度を少し上げるより、推論の速さや運用の手間を優先することが多い
- 業務では、データは途中で変わる。学習のときと本番のときでデータの性質がずれる
- コンペでよく使う大きなアンサンブルは、本番ではほとんど使わない
職務経歴書の中で、「業務で使うなら」の観点に1行触れておくと、面接官はその話から入りやすくなります。
ロボットの競技会の場合
ロボカップなどのロボットの競技会や、学生のロボットコンテストの経験も、ロボットの会社では評価されます。書く要素は、データ分析のコンペとほぼ同じです。
- 競技の内容と、チームの規模
- 自分の担当(制御、画像認識、機構、電装、全体の統合)
- 本番の環境で起きた問題と、その場での対処
最後の「本番で起きた問題」は、ロボットの競技会ならではの書き方です。照明の違いで画像認識が効かなくなった、会場の床で車輪が滑った、といった経験は、フィジカルAIの会社が求める「現場で動かす力」の証明になります。
まとめ
- 順位は参加チーム数と一緒に、実際の数字で書く
- 何に着目し、どう検証し、何が効いたかを書く。特に検証の分け方は業務に直結する
- チームでの参加は自分の担当を必ず書く
- 応募先の分野に近いコンペなら、メダルがなくても書く価値がある
コンペの経験をどの職種でどう活かすかは、応募先しだいです。迷う場合は、職務経歴書を添えてご相談ください。
