yukai08008的博客

说明 本篇仅讨论一个竞赛项目的开始和导入 内容 业务理解 简单来说就是用结构化的数据进行预测，然后按照接口的方式提交测试。 import ubiquant env = ubiquant.make_env() # initialize the environment iter_test = env.iter_test() # an iterator which loops over the test set and sample submission for (test_df, sample_

案例1 雨林连接物种音频检测 自动检测热带音景中的鸟类和青蛙物种 声音识别，我记得有个在噪音房间里识别人声音的case，暂时不是目标。 案例2：曼彻斯特城足球俱乐部的Google Research Football 培训代理商以掌握世界上最受欢迎的运动 应该是计算机视觉的内容，暂时不是目标 当前active的竞赛已经看完了，没有适合的目标，我再接着看以前完成的。 案例3： CDP：释放气候解决方案 城商合作，共创可持续未来 没太整明白意思 好像是要根据数据提一套指标方案，不符合目标

案例1 在NFL比赛视频中检测头盔撞击 介绍：通过视频来检测头盔的碰撞 视觉检测方面的内容，应该类似目标局域识别（yolo),短期内不想碰 评估 IoU, F1 时间 奖金 数据 结论：边缘检测？ 除了yolo这种深度学习之外，应该也可以用几何方法（更快）。不过没时间，不是目标。 案例2：识别人肾组织图像中的肾小球 介绍 评估：除了常见的指标也有其他的 评估：面对不确定性更高的领域，采用了类似专家评审的方法（不是目标） 奖金：计算精度和方法都有奖励

说明 接下来的两个月我会尽量调研多一些的竞赛，找一个竞赛的方向。调研的文章每篇都看3个竞赛吧。 案例1 2020年国际机器人学会挑战赛 Kaggle项目源链接 介绍： 技术方向分析： 这应该属于自适应学习的部分。主要的技术应该包含图、推荐算法、评估算法（贝叶斯系列，例如BKT)。 评估方法： 使用ROC进行判别，属于分类监督模型。要通过Kaggle内核进行提交。 时间：项目的正态时间看着像 3+1（个月）的模式。 奖金：还不错，前5名都有奖。（有些团队可能做一个模型然后微调，前五名就都占了）

为什么要选Kaggle? 1 首先是因为钱。 Kaggle经常有各种类型的竞赛，赢得比赛本身就会有奖金。没有钱搞科研是很困难的，也没什么动力。参加竞赛算是很理想的方法： 1 技术强-> 拿钱 2 拿了钱 -> 增加技术投资 2 其模式可以称为一种行业标准 举个例子，任何一个竞赛首先会有一些概要描述，本质上是商业应用的概述。 提供了应用相关联的规整数据。 提供了一些思路/教程(相当于参加竞赛的人的一个小社区) 还有排行榜 当然kaggle本身也提供了jupyter notebook给