竞赛|阿里巴巴大数据智能云上编程大赛

                                                                                                (本内容转载自公众号“科技与Python”)

背景介绍
由于混沌现象的存在,天气预报的精度一直难以提高。集合预报正是解决这一难题的手段之一。通过对大气初始状态添加不同的扰动,集合预报可以得到各种扰动下的天气预报结果,通过分析这些不同的预报结果,便能有效地降低预报的不确定性,得到更为精确的预报结果。

本次大赛以“集合降水预报”为课题,同时为了力求严谨、真实, 特邀请国内领先的卫星应用技术与研究企业航天宏图作为大赛合作伙伴,为大赛提供数据及全程咨询服务。大赛数据来自于真实的杭州及周边区域格点降水数据,选手可以利用这些数据全方位的对杭州天气进行预报分析。

大赛同时提供了云端数加平台。数加是阿里内部的大数据及AI研发核心平台,同时对外提供服务,为用户提供大数据和AI产品解决方案。数加中的Dataworks、MaxCompute、PAI、IDW提供了数据处理、数据计算、机器学习训练与预测及应用开发等一站式的功能, 选手使用数加平台完成集合降水预报的数加处理、模型训练及预测等工作。 

赛制说明
大赛分为初赛复赛、和总决赛三部分,初赛和复赛均在天池平台进行,要求参赛者在线进行数据分析和处理。
1)初赛,为算法赛,根据最终榜单成绩入围20支队伍进入复赛。
2)复赛,包括 算法赛 和 应用开发预赛,算法赛阶段选手根据复赛数据进行算法优化,同时应用开发预赛将由组委会为选手进行应用开发赛的培训,选手需要提交应用开发成果,组委会将结合算法成果和应用开发结果入围5支队伍进入总决赛。

 

3)总决赛,包括 应用开发赛 、 真实数据挑战赛 、总决赛答辩,应用开发赛阶段需要选手按照官方提供的工具和指定的方法,开发基于降水模型的应用,通过应用展示结果。真实数据挑战赛将设置在9月份杭州云栖大会现场,组委会将给出7天的集合降水预报数据,要求选手使用自己的降水模型预测7天的降水量。总决赛答辩将需要选手对于算法部分和应用开发部分进行展示,结合评委会的评分进行最终排名。

 

                                                                          最新大数据及算法竞赛资讯

                                                                             (只需关注我们,即可得到最新竞赛资讯)

                                                                                                           资料赠送

                                                                     5000+PPT模板 | 1000+简历模板 | 无人驾驶相关资料

                                                                                    (只需关注我们,即可得到相关资料)

                                                                                    

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
AliDMCompetition 阿里巴巴大数据竞赛(http://102.alibaba.com/competition/addDiscovery/index.htm ) 数据说明 提供的原始文件有大约4M左右,涉及1千多天猫用户,几千个天猫品牌,总共10万多条的行为记录。 用户4种行为类型(Type)对应代码分别为: 点击:0 购买:1 收藏:2 购物车:3 提交格式 参赛者将预测的用户存入文本文件中,格式如下: user_id \t brand_id , brand_id , brand_id \n 上传的结果文件名字不限(20字以内),文件必须为txt格式。 预测结果 真实购买记录一共有3526条 TODO 注意调整正负样本比例 在LR的基础上做RawLR。按照天猫内部的思路来。 在LR的基础上做MRLR,样本提取要更加合理。 在UserCF和ItemCF上加上时间因子的影响。 利用UserCF做好的用户聚类、ItemCF做好的品牌聚类来做细化的LR,或者在聚类 上做LFM 在ItemCF的思路上挖掘频繁项集/购买模式,如购买品牌A和商品后往往会购买 品牌B的商品 LFM 数据集特征 某一商品在购买前的一段时间内会出现大量点击次数,购买完成后的一段时间内也会出现大量点击次数 用户在本月有过行为的商品极少出现在下个月的购买列表里 根据观察推断:用户浏览商品的行为可分为两类: 无目的浏览,可能会在浏览过程中对某些中意的商品进行购买,数据表现为有大量点击次数<=2的行为记录,但很少有购买行为 有目的的查找商品,可能是事先有需求的情况,数据表现为一段时间内点击商品数很少, 但点击过的商品大多数都进行了购买 参考论文 See https://www.google.com.hk/search?q=data+mining+time+series&ie=utf-8&oe=utf-8&aq=t for more. Chapter 1 MINING TIME SERIES DATA - ResearchGate 模型列表 LR(model=LinearSVC(C=10, loss='l1'), alpha=0.7, degree=1) | TOTAL VISITED BOUGHT FAVO CART NEW | Pred # 1438 1436 626 71 12 | % 100% 99.861% 43.533% 4.937% 0.834% | Real # 1311 250 89 10 1 | % 100% 19.069% 6.789% 0.763% 0.076% Hit # 76 Precision 5.285118% Recall 5.797101% F1 Score 5.529283% LR(model=LogisticRegression(penalty='l1'), alpha=0.7, degree=1) | TOTAL VISITED BOUGHT FAVO CART NEW | Pred # 1472 1470 615 68 14 | % 100% 99.864% 41.780% 4.620% 0.951% | Real # 1311 250 89 10 1 | % 100% 19.069% 6.789% 0.763% 0.076% Hit # 74 Precision 5.027174% Recall 5.644546% F1 Score 5.318002% 这个模型在数据变成2次后,Precision ~ 16%,同时F1 ~ 3% LR(model=Perceptron(penalty='l1'), alpha=0.7, degree=1) | TOTAL VISITED BOUGHT FAVO CART NEW | Pred # 3145 3140 1023 130 26 | % 100% 99.841% 32.528% 4.134% 0.827% | Real # 1311 250 89 10 1 | % 100% 19.069% 6.789% 0.763% 0.076% Hit # 113 Precis
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值