Kaggle Grandmasters de NVIDIA

Conoce a los Kaggle Grandmasters de NVIDIA (KGMoN) y descubre cómo utilizan la ciencia de datos acelerada de NVIDIA para crear sistemas de recomendación de éxito, predecir las tasas de degradación en las moléculas de ARN, identificar el melanoma en las imágenes médicas y más.

Conoce al equipo de KGMoN

Bo Liu

Científico de datos sénior en NVIDIA

Ver perfil

Chris Deotte

Científico de datos sénior en NVIDIA

Ver perfil

Christof Henkel

Científico de datos en NVIDIA

Ver perfil

David Austin

Ingeniero de software de sistemas principales en NVIDIA

Ver perfil

Gilberto Titericz

Científico de datos en NVIDIA

Ver perfil

Jean-Francois Puget

Ingeniero distinguido en NVIDIA

Ver perfil

Jiwei Liu

Científico de datos sénior en NVIDIA

Ver perfil

Kazuki Onodera

Científico de datos sénior en NVIDIA

Ver perfil

Théo Viel

Científico de datos de deep learning sénior, NVIDIA

Ver perfil

Explora las competiciones recientes del equipo KGMoN.

Marzo y mayo de 2022

El ascenso de DeBERTa para tareas secundarias de PNL

En dos concursos diferentes, el equipo usó el procesamiento del lenguaje natural para analizar los elementos de escritura argumentativa de los estudiantes y han identificado frases clave en las notas de pacientes de los exámenes para la obtención de la licencia médica.

Ver el vídeo presentado: El ascenso de DeBERTa para tareas secundarias de PNL

(58:24 minutos)

El desafío de los sistemas de recomendación

Junio de 2021

El desafío RecSys

El equipo de NVIDIA Merlin y KGMON obtuvo el primer lugar en el RecSys Challenge 2021 al predecir de manera efectiva la probabilidad de participación del usuario en un entorno dinámico y ofrecer recomendaciones justas en un conjunto de datos de varios millones de puntos.

Ver el vídeo presentado: Árboles mejorados y redes neuronales profundas para conseguir mejores sistemas de recomendación

(1:10:47 minutos)

El desafío de las recomendaciones de destinos de Booking.com

Marzo de 2021

El desafío WebTour 2021 de búsqueda web y minería de datos (WSDM) de Booking.com

En este desafío de sistemas de recomendación, el objetivo era utilizar un conjunto de datos basado en millones de reservas de alojamiento anónimas reales para elaborar una estrategia y hacer la mejor recomendación para el próximo destino, todo en tiempo real.

Ver el vídeo presentado: Cómo crear un modelo de aprendizaje automático de nivel mundial para la detección del melanoma

(49:11 minutos)

Creación de modelos PNL de primer nivel con transformadores y Hugging Face

Marzo de 2021

Creación de modelos NLP de primer nivel con transformadores y Hugging Face

Mira este vídeo para asistir a una breve lección de historia y descubrir el estado actual del procesamiento del lenguaje natural, así como cuáles son las prácticas recomendadas para usar los transformadores de Hugging Face en cuatro competiciones diferentes.

Ver el vídeo: Creación de modelos NLP de primer nivel con transformadores y Hugging Face

(1:06:02 minutos)

Competición de predicción de la degradación de la vacuna de ARNm contra la COVID-19

Octubre de 2020

OpenVaccine: Predicción de la degradación de la vacuna de ARNm contra la COVID-19

En esta competición, los equipos se encargaron de desarrollar modelos de aprendizaje automático y diseñar reglas para la degradación del ARN. Los modelos tenían que predecir las tasas de degradación probables en cada base de una molécula de ARN. Dichos modelos se entrenan en un subconjunto de un conjunto de datos de Eterna que comprende más de 3000 moléculas de ARN (que abarcan una amplia variedad de secuencias y estructuras) y sus tasas de degradación en cada posición.

Ver el vídeo presentado: Cómo predecir cuáles de las vacunas de ARNm contra la COVID-19 candidatas son estables con la IA

(56:56 minutos)

Septiembre del 2020

Reconocimiento de lugares emblemáticos de Google 2020

En este desafío de reconocimiento de lugares emblemáticos, el equipo tenía que construir modelos capaces de reconocer el lugar correcto (si lo había) en un conjunto de datos de imágenes de prueba complicadas. Del dicho al hecho hay gran trecho, dado que el reconocimiento de lugares de referencia contiene un número mucho mayor de clases. Por ejemplo, hubo más de 81 000 clases en esta competición.

Ver el vídeo presentado: Cómo realizar una clasificación de imágenes a gran escala

(49:11 minutos)

Agosto de 2020

Clasificación SIIM-ISIC de melanoma

En esta competición, el equipo tenía que crear modelos de aprendizaje automático para identificar las lesiones cutáneas a partir de las imágenes de los pacientes y determinar qué imágenes tienen más probabilidades de representar un melanoma. El modelo de aprendizaje automático ganador fue capaz de identificar el melanoma antes y con mayor precisión que el dermatólogo promedio.

Ver el vídeo presentado: Cómo desarrollar un sistema de recomendación de deep learning de éxito, E5

(49:11 minutos)

Explora la serie "Grandmaster" de ciencia de datos.

La serie “Grandmaster” es una serie mensual de vídeos educativos para científicos de datos. En cada episodio, verás a los principales expertos mundiales en ciencia de datos compartir sus conocimientos, prácticas recomendadas y aprendizajes clave de alguna competición reciente. Únete y aprende cómo aplicar sus aprendizajes a tus propios desafíos de ciencia de datos.

Explorar la serie

Kaggle Grandmasters de NVIDIA

Conoce al equipo de KGMoN

Explora las competiciones recientes del equipo KGMoN.

El ascenso de DeBERTa para tareas secundarias de PNL

El desafío RecSys

El desafío WebTour 2021 de búsqueda web y minería de datos (WSDM) de Booking.com

Creación de modelos NLP de primer nivel con transformadores y Hugging Face

OpenVaccine: Predicción de la degradación de la vacuna de ARNm contra la COVID-19

Reconocimiento de lugares emblemáticos de Google 2020

Clasificación SIIM-ISIC de melanoma

Explora la serie "Grandmaster" de ciencia de datos.

Regístrate para recibir noticias sobre ciencia de datos