海上机械师

VoxSRC 2020 说话人识别挑战赛1. 固定训练集的说话人识别2. 开放数据集的说话人识别3. 自监督的说话人识别4. 语音分离任务

VoxCeleb 说话人识别挑战“Speaker recognition in the wild” 是一项非常具有挑战性的任务，需要面对语音中各种不确定性，例如复杂的噪声、不同程度的背景音、短促的笑声等情况。针对这一问题，可以在 VoxSRC 提供的语料及其各种模型的实验结果，寻找合适的语音段编码器，设计合理的度量学习模型，分析造成性能降低的数据因素，都将成为提升识别性能的潜在解决方案。本文就 VoxSRC 提供的实验结果和相关的论文进行归纳、总结与展望。

Kaldi 是 C++ 实现的语音识别软件，缺少像 Python 的简单与灵活。PyTorch-Kaldi 旨在构建 Kaldi 与 PyTorch 之间的联系，充分利用 Kaldi 高效性与 PyTorch 灵活性。PyTorch-Kaldi 除了建立 Kaldi 与 PyTorch 之间的联系，还嵌入了非常有用的功能，用于开发最新的语音识别器。程序易于加入自定义的声学模型，包含初始化方法和预执行的模型。PyTorch-Kaldi 支持多个特征和标签流、神经网络组合的建模。程序已公开发布在 Github。

spectra_torch 提供了 PyTorch 版本的语音频谱特征提取方法，例如 MFCC、滤波器组和基于能量的 VAD。测试表明：PyTorch 版本的 MFCC 提取效率优于 Numpy 版本的 MFCC，具体地说，MacOS CPU 计算机上快 0.1s/MFCC。

Facial keypoints detection该题主要任务是检测面部关键点位置， Detect the location of keypoints on face images问题表述在本问题中，要求计算面部关键点的位置，即关键点在图片中的百分比坐标。 因此该问题的机理就是 [0, 1] 范围内的数值拟合，当然了，这也是一个多输出的拟合和你问题。

手写数字识别1. KNN 准确率 0.83886，KNN 算法预测花费时间很长2. IPCA + KNN 准确率 0.84614，IPCA 降维可能会超内存3. IPCA + RandomForest 准确率 0.84614，RandomForest 随机森林的效率比 KNN 高4. RandomForest，准确率 0.96443，深度学习中的卷积神经网络能达到 0.99+ 准确率的效果

Titanic: Machine Learning from DisasterKaggle 竞赛中的练习题Accuracy: 0.779900-1 分类：根据乘客类型，姓名，性别，年龄，兄弟个数，父子个数，船票，票价，船舱，港口判定乘客是船难中存活下来。数据处理可采用 pandas 工具包，分类器可采用 scikit-learn 工具包。