Artem ML&DS | Crypto

«Участвуй везде, где можешь!» Советы от чемпионов хакатона Искал лапку зайца, а нашёл золото. Точнее, призовое первое место! Мы взяли небольшое интервью у победителей «По следам животных». Команда Даниила Антонова и Артёма Гончарова выиграла в треке «Искусственный интеллект» НТО. Передаём слово главным героям поста! Читай ответы в карточках ↑

Это что-то новенькое😄

Встречайте победителей Хакатона 🏆 Хакатон «По следам животных» подошёл к концу. Время подводить итоги!

Задача хакатона — создать модель, которая поможет учёным автоматически находить и распознавать животных на фотографиях из фотоловушек. Кадры могли быть сделаны ночью или в сложных условиях: к примеру, во время снегопада.

Команды с лучшими решениями были приглашены на код-ревью своих решений. Сам код анализировали эксперты хакатона и разработчики задачи. Трек для финалистов профиля «Искусственный интеллект» НТО I место: Даниил Антонов из Уссурийска и Артём Гончаров из Новосибирска. II место: Данис Динмухаметов из Москвы. III место: Семён Родионов и Михаил Вершинин из Новосибирска. Трек для подростков до 18 лет I место: Андрей Михайлов из Москвы. II место: Кирилл Чекурин и Алексей Уревский из Ульяновска. III место: Александр Захаров из Ликино-Дулёво. Команды-победители каждого трека получат денежные призы: I место — 250 000 ₽, II место — 150 000 ₽, III место — 100 000 ₽. Поздравляем призёров и победителей! Вы показали отличный результат, который заслуженно отметили эксперты в области ИИ. Можешь присоединиться к поздравлениям в комментариях. Или задать вопрос участникам: мы возьмём у них интервью и вернёмся с ответами!

52. Санкт-Петербург, мы здесь🙃

Собес изи катка. Кто как сдал?

Секрет успеха прост

ПОБЕДА! НАША КОМАНДА ТОП 1! 250 ТЫСЯЧ РУБЛЕЙ ДОМООООЙ Курс ФПИ банок после этого 📈

админ уже на Бали😁

причины росты нашего скора: ФПИ Банк топ! Комиссии даже без переводов!

Только ФПИРЕД!

Питер, жди😎

First task on IOAI was completed ✔️ 4️⃣ Public: 4th place 5️⃣ Private: 5th place In this task, we were given a dataset with synthetic data and we had to predict whether the applicant would enter the university or not. It was necessary to do this with the help of data leacks.

https://www.kaggle.com/discussions/general/557021#3098367 Написали с @mikhailshperling статью с датасетом из математических задач международного уровня IOM, датасет собирали довольно долго. Будем признательны, если закинете апвоутов и напишите комментов) Дайте знать, если хотите получить фулл версию датасета на 1 млн задач(паблик пока что 100к)

Вторая медаль уже на подходе)

Первая медалька на каггле за соревнование

Теперь еще и по ноутбукам эксперт)

Я теперь Kaggle Datasets Expert😎

Хотите узнать, как выиграть миллион и межнар по ИИ? Вперёд! 😌 Задача: ✏️ Нам надо было разработать модель и удобный интерфейс для скоринга подрядчиков для расчёта вероятности «дефолта» ✨ Решение: 📖 Нам были даны разные типы данных - числовые, временные данные, а также графы. Нашей первой идеей была зависимость дефолта подрядчика от дефолта его соседей. Мы отобрали топ-5 ближайших по графовому расстоянию соседей и переняли среднее значение ключевых признаков по каждому соседу 🤍 Следующим шагом мы агрегировали расстояния, это тоже позволило увеличить скор. Но в связке с предыдущей идей, не проявляло себя. Из-за этого мы сделали 2 разные модели, которые учились по отдельности на каждой идее, а далее блендили предсказания 💕 Финальная и самая ключевая идея - признак "процент дефолта в определённом радиусе". Этот признак имел наибольшую корреляцию с таргетом. Для этого мы также обучили отдельную модель. В итоге, эти 3 модели давали скор 0.53 ✨ А что же делать дальше? 🔴 Затем, мы решили вырыть туннель в Китай и попробовать что-то координально новые идеи. Самой важной из них была проверка контракта на выполняемость. Мы предположили, что в теории никто не может выполнить контракт, потому что он невыполнимый. После предсказания моделей подбирался рандомный подрядчик, которому перезаписывались признаки контракта на признаки, которую мы предсказываем. После замены признаков, делался предикт и блендился с основным в соотношении 1:3 в пользу основного. Это дало сильнейший прирост с 0.53 до 0.555 🌟 Шикарно! Но может есть ещё что-то? 🔴 Следующей крутой идеей было обучить модель для каждого подрядчика отдельно. Если записей в обучающей выборке по подрядчику более 20, то персонально для него обучалась модель только на его данных и предсказанием был блендинг основной модели и модели подрядчика в соотношении 5:1, в противном случае делался предикт обычной моделью. Эта идея дала прирост с 0.555 до 0.578, что стало вершиной точности нашей модели. Это решение нам позволило стать 🥇 по сумме баллов и выиграть 1.000.000 рублей 🏆 И совсем недавно мы с командой вернулись с награждения, оно проходило в рамках крупнейшей конференции по ИИ - AI Journey, главным спикером которой был президент РФ Владимир Владимирович Путин! Это был захватывающий опыт и незабываемые эмоции на всю жизнь! 💍 репозиторий📂 | MLшарики2.0 [RASCAR]

С Новым годом!!!

3 финала НТО оу еее