認識 NVIDIA 的 Kaggle Grandmaster (KGMoN)，並瞭解他們如何使用 NVIDIA 加速資料科學來建構獲獎肯定的推薦系統、預測 RNA 分子的降解率、識別醫學影像中的黑色素瘤等。
Bo Liu
NVIDIA 資深資料科學家
Chris Deotte
Christof Henkel
NVIDIA 資料科學家
David Austin
NVIDIA 首席系統軟體工程師
Gilberto Titericz
Jean-Francois Puget
NVIDIA 顧問工程師
Jiwei Liu
Kazuki Onodera
Théo Viel
NVIDIA 資深深度學習資料科學家
2022 年 3 月和 5 月
這組團隊在 2 次不同的競賽中，使用了自然語言處理來分析學生論說文的寫作元素，並從醫師執照測驗中找出病患筆記中的關鍵字詞。
(58:24 分鐘)
2021 年 6 月
NVIDIA Merlin 和 KGMoN 團隊透過有效預測使用者在動態環境中互動的可能性，以及基於數百萬筆資料所提供的有效推薦，成功在 2021 年 RecSys 挑戰賽中獲得冠軍。
(1:10:47 分鐘)
2021 年 3 月
在這場推薦系統挑戰賽中，目標是要使用以數百萬筆匿名的實際住宿預訂資料來制定策略，為旅客的下一個目的地提供最佳推薦，且全部即時進行。
(49:11 分鐘)
觀看這部影片，瞭解一段簡短的歷史和自然語言處理的現況，以及在 4 種不同競賽中使用 Hugging Face 轉換器的最佳做法。
(1:06:02 分鐘)
2022 年 10 月
在這場競賽中，團隊要負責開發機器學習模型和設計 RNA 降解的規則。模型需預測 RNA 分子每個鹼基的可能降解率，這些模型是在由 3000 多個涵蓋各序列和結構的 RNA 分子，及其各位置降解率所組成的 Eterna 資料集子集上訓練。
(56:56 分鐘)
2022 年 9 月
在這場地標辨識挑戰賽中，團隊必須建構能在複雜的測試影像資料集中辨識正確地標的模型。這說起來很容易，實際操作卻很困難，因為地標辨識包含的類別數量非常多。舉例來說，本次競賽有超過 81,000 個類別，因此精準度極為重要。
2020 年 8 月
在這場競賽中，團隊必須建立機器學習模型，識別患者影像中的皮膚病變，並確定哪些影像最有可能代表黑色素瘤。獲勝的機器學習模型能夠比一般的皮膚科醫生更早期且更準確地識別黑色素瘤。
Grandmaster 系列適合資料科學家觀看，每月推出各式教育影片系列。在每一集裡，都會有領先全球的資料科學專家分享他們在近期競賽中的見解、最佳做法和關鍵知識。觀看影片並瞭解如何將他們的知識應用到您自己的資料科學挑戰中。
NVIDIA 隱私權政策