加载中...
Analytics Vidhya的黑客马拉松是评估您在数据科学旅程中走多远的最佳方式之一。 还有什么比让全球顶级数据科学家对您的技能进行测试更好的方法？
参与这些黑客马拉松还可以帮助您了解您需要改进的地方以及您可以学习的其他内容，以便在下一次比赛中获得更好的成绩。 每次黑客马拉松之后的一个非常受欢迎的需求是看看获胜解决方案的设计方式以及它背后的思考过程。 从中可以学到很多东西，包括如何为未来的黑客马拉松开发自己独特的框架。
我们都在倾听我们的社区，因此我们决定从我们最近结束的黑客马拉松系列codeFest中挑选出成功的方法！ 这是与IIT-BHU合作的一系列三个黑客马拉松，于8月31日至9月2日期间进行。 竞争激烈，超过1,900名有抱负的数据科学家正面对面争夺最终奖项！
比赛包括三个方面
欢迎关注 DataLearner 官方微信，获得最新 AI 技术推送
参与者获得了客户关于制造和销售手机，电脑，笔记本电脑等各种科技公司的推文列表。挑战在于找到对这些公司或产品表现出负面情绪的推文。
用于评估分类模型性能的度量标准是加权F1-Score。
他们对上述每个分类器进行了测试，发现LSTM（具有注意机制）产生了最好的结果。
Vista hackathon有一个非常有趣的问题。 参与者必须建立一个模型，计算给定组自拍/照片中的人数。 提供的数据集已经被分割，其中训练集由具有每个图像的边界框和人数的坐标的图像组成。
该竞赛的评估指标是在测试图像预测的人数上的RMSE（均方根误差）。
Deepak的方法：
由于这是一个对象检测问题，我使用Keras和TensorFlow在Python 3中实现了Mask R-CNN。 该模型为图像中的对象的每个实例生成边界框和分割掩模。 它基于特征金字塔网络（FPN）和ResNet101骨干网构建的。
Mask R-CNN是一个两阶段框架：
我使用过ResNet101骨干网。Backbone是FPN风格的深度神经网络。 它由自下而上的通道，顶部底部通道和横向连接组成：
我使用默认的1024×1024图像尺寸以获得更好的精确度。除此之外，我还应用了一些数据增强技术，以避免过拟合和更好的泛化能力。
作为enigma竞赛的一部分，目标是根据提供的其他信息预测问题的upvotes数量。 对于每个问题 - 提供了其标签，收到的观看次数，答案数，用户名和作者的声誉。 使用此信息，参与者必须预测问题将收到的upvote计数。
该竞赛的评估指标是RMSE（均方根误差）。
我的重点是特征工程，即使用现有特征创建新特征。 以下是我制作的一些主要特征：
我使用了具有多项式特征的线性回归模型，我将多项式的次数限制为2，因为次数过高虽然会导致更灵活的模型但也会增加过拟合的可能性
