Kaggle Grandmasters of NVIDIA

Treffen Sie die Kaggle Grandmasters of NVIDIA (KGMoN) und erfahren Sie, wie sie NVIDIA nutzen, um in der Datenwissenschaft schneller erfolgreiche Empfehlungssysteme zu entwickeln, Abbauraten in RNA-Molekülen vorherzusagen, Melanome in der medizinischen Bildgebung zu identifizieren und vieles mehr.

Lernen Sie das KGMoN-Team kennen

Bo Liu

Bo Liu

Senior Data Scientist bei NVIDIA

Profil anzeigen
Chris Deotte

Chris Deotte

Senior Data Scientist bei NVIDIA

Profil anzeigen
Christof Henkel

Christof Henkel

Data Scientist bei NVIDIA

Profil anzeigen
Dave Austin

David Austin

Principal Systems Software Engineer bei NVIDIA

Profil anzeigen
Gilberto Titericz

Gilberto Titericz

Data Scientist bei NVIDIA

Profil anzeigen
Jean-Francois Puget

Jean-Francois Puget

Distinguished Engineer bei NVIDIA

Profil anzeigen
Jiwei Liu

Jiwei Liu

Senior Data Scientist bei NVIDIA

Profil anzeigen
Kazuki Onodera

Kazuki Onodera

Senior Data Scientist bei NVIDIA

Profil anzeigen
Théo Viel

Théo Viel

Senior Deep Learning Data Scientist, NVIDIA

Profil anzeigen

Erkunden Sie die neuesten Wettbewerbe des KGMoN-Teams.

Der Aufstieg von DeBERTa für NLP-Downstream-Aufgaben

März und Mai 2022

Der Aufstieg von DeBERTa für NLP-Downstream-Aufgaben


In zwei verschiedenen Wettbewerben setzte das Team die Verarbeitung natürlicher Sprache ein, um Argumentationsstrukturen in Schüleraufsätzen zu analysieren und Schlüsselformulierungen in Patientennotizen aus ärztlichen Prüfungen zu identifizieren.

  Video-Beitrag ansehen: Der Aufstieg von DeBERTa für NLP-Downstream-Aufgaben

(58:24 Minuten)

Der Wettbewerb für Empfehlungssysteme

Juni 2021

Die RecSys Challenge


Das NVIDIA Merlin- und KGMON-Team erreichte den 1. Platz in der RecSys Challenge 2021, indem es die Wahrscheinlichkeit der Benutzerinteraktion in einer dynamischen Umgebung effektiv vorhersagte und faire Empfehlungen auf der Basis eines Datensatzes mit mehreren Millionen Punkten abgab.

  Videobeitrag ansehen: Boosted Trees and Deep Neural Networks for Better Recommender Systems (Boosted Trees und neuronale Deep-Learning-Netze für bessere Empfehlungssysteme)

(1:10:47 Minuten)

Booking.com-Wettbewerb für Reisezielempfehlungen

März 2021

Booking.com Web Search and Data Mining (WSDM) WebTour 2021 Challenge


Bei diesem Wettbewerb für Empfehlungssysteme bestand das Ziel darin, anhand eines Datensatzes, der auf Millionen von echten, anonymisierten Unterkunftsbuchungen basierte, eine Strategie zu entwickeln, die in Echtzeit die besten Empfehlungen für das nächste Reiseziel abgibt.

  Videobeitrag ansehen: How to Build a World-Class ML Model for Melanoma Detection (Erstellen erstklassiger ML-Modelle für die Melanom-Erkennung)

(49:11 Minuten)

Entwicklung erstklassiger NLP-Modelle mit Transformers und Hugging Face

März 2021

Entwicklung erstklassiger NLP-Modelle mit Transformers und Hugging Face


Schauen Sie sich dieses Video an. Sie erhalten einen kurzen Einblick in die Geschichte und den aktuellen Forschungsstand der Verarbeitung natürlicher Sprache sowie Informationen zu den Best Practices für den Einsatz von Transformers von Hugging Face in vier verschiedenen Wettbewerben.

  Video ansehen: Entwicklung erstklassiger NLP-Modelle mit Transformers und Hugging Face

(1:06:02 Minuten)

Wettbewerb zur Vorhersage des Abbaus von COVID-19-mRNA-Impfstoffen

Oktober 2020

OpenVaccine: Vorhersage des Abbaus von COVID-19-mRNA-Impfstoffen


In diesem Wettbewerb wurden die Teams mit der Entwicklung von Modellen für maschinelles Lernen und dem Entwurf von Regeln für den RNA-Abbau beauftragt. Die Modelle, die benötigt wurden, um wahrscheinliche Abbauraten an jeder Basis eines RNA-Moleküls vorherzusagen, wurden mit einer Teilmenge eines Eterna-Datensatzes trainiert, der über 3000 RNA-Moleküle (die eine Vielzahl von Sequenzen und Strukturen umfassen) und deren Abbauraten an jeder Position enthielt.

  Videobeitrag ansehen: How to Predict Which Candidate COVID-19 mRNA Vaccines Are Stable with AI (Vorhersagen der Stabilität möglicher COVID-19-mRNA-Impfstoffe mit KI)

(56:56 Minuten)

Google Landmark Recognition 2020

September 2020

Google Landmark Recognition 2020


Bei diesem Wettbewerb ging es um die Erkennung landschaftlicher Wahrzeichen. Das Team musste Modelle erstellen, die das richtige Wahrzeichen (falls vorhanden) in einem Datensatz komplizierter Testbilder erkannten. Dies ist leichter gesagt als getan, da die Erkennung landschaftlicher Wahrzeichen eine viel größere Anzahl von Klassen enthält. Bei diesem Wettbewerb gab es z. B. mehr als 81.000 Klassen.

  Video-Beitrag ansehen: How to Perform Large-Scale Image Classification (Durchführen einer Bildklassifizierung in großem Maßstab)

(49:11 Minuten)

SIIM-ISIC-Melanom-Klassifizierung

August 2020

SIIM-ISIC-Melanom-Klassifizierung


In diesem Wettbewerb musste das Team ML-Modelle erstellen, um Hautläsionen in Patientenbildern zu identifizieren und zu bestimmen, welche Bilder am wahrscheinlichsten ein Melanom darstellen. Das ML-Gewinnermodell war in der Lage, Melanome früher und genauer zu identifizieren als der durchschnittliche Dermatologe.

  Video-Beitrag ansehen: How to Build a Winning Deep Learning Recommender System, E5 (Erstellen eines erfolgreichen Deep Learning-Empfehlungssystems, E5)

(49:11 Minuten)

Entdecken Sie die Grandmaster-Serie für die Datenwissenschaft.

Die Grandmaster-Serie ist eine monatliche Reihe von Schulungsvideos für Datenwissenschaftler. In jeder Episode präsentieren einige der weltweit führenden Datenwissenschaftler ihre Erkenntnisse, Best Practices und wichtigsten Erfahrungen aus einem kürzlich durchgeführten Wettbewerb. Schauen Sie sich die Episoden an und erfahren Sie, wie Sie ihre Erkenntnisse auf Ihre eigenen datenwissenschaftlichen Herausforderungen anwenden können.

Serie erkunden

Melden Sie sich an, um Neuigkeiten aus der Welt der Datenwissenschaft zu erfahren

Abonnieren

Kontakt

Produkte
Technologien
Software
Ressourcen