Seuraava artikkeli auttaa sinua: MachineHack paljastaa Google Cloud BigQuery LTV Prediction Challengen huippusuoritukset
Google Cloud ja MachineHack ovat saaneet päätökseen “Google Cloud BigQuery LTV Prediction Challenge -haasteen”. 16.1.-16.2.2023 kestänyt kilpailu kiinnitti lähes 900 osallistujan huomion, joista jokainen oli valmis todistamaan arvonsa datatieteen jännittävässä maailmassa.
Esikäsittelystä mallin rakentamiseen ja uusimpien ohjelmointikielien, kuten SQL:n ja Pythonin, avulla haastajat testaavat taitojaan toiveissaan nousta tulostaulukon kärkeen. Lopulta vain innovatiivisimmat ja kekseliäimmät kilpailijat selvisivät voittajina, jotka esittelivät uskomattoman kykynsä ja asiantuntemuksensa.
Elinkaariarvo (elinkaariarvo)Haasteen keskiössä oli sähköisen kaupankäynnin alustojen keskeinen mittari. Mittari, joka arvioi asiakasyhteydestä syntyvän nettovoiton, on keskeinen tekijä yritysten mainontastrategioissa. Haasteen tarkoituksena oli testata datatieteilijöiden kykyä ennustaa LTV tarkasti ja tarjota arvokkaita oivalluksia verkkokauppayrityksille tietoisen päätöksentekoa varten.
Kilpailijoilla oli mahdollisuus voittaa houkuttelevia palkintoja, kuten pari huippuluokan Google Pixel Buds -kuulokkeita, kaksi huippuluokan Google Nest -älykotilaitetta ja 500 dollarin arvosta Google Cloud Platform (GCP) -saldoa. Lisäksi 20 parasta osallistujaa pääsevät Google Cloudin ainutlaatuiseen, omistettuun 4–5 tunnin työpajaan Vertex AI:stä, joka on arvokas tilaisuus niille, jotka haluavat hioa alakohtaisia taitojaan.
Voittaneilla osallistujilla on mahdollisuus olla yhteydessä joihinkin datan ja analytiikan loistavimpiin mieliin, mikä vahvistaa heidän asemansa huipputason kykyinä tällä nopeasti kehittyvällä alalla.
Katsotaanpa lähes tuhannen kilpailijan joukossa, jotka pystyivät vakuuttamaan tuomareita taidoillaan!
Sijoitus 01
Tajinder, kokenut datatieteilijä Jindistä, Haryana, ilmaisi kiitollisuutensa haasteen järjestäjille. Kilpailun jälkeisessä lausunnossaan hän jakoi arvostavansa MachineHackia ja sen käyttäjäkokemusta, mutta myönsi myös virheiden mahdollisuuden lähestymistavassaan ongelmanratkaisuun ja ratkaisujen kirjoittamiseen.
Lisäksi Tajinder ehdotti tulevien kilpailujen tehostamista ehdottamalla, että käyttäjillä pitäisi olla mahdollisuus valita lopullinen ratkaisu useista vaihtoehdoista sen sijaan, että paras ratkaisu valitaan automaattisesti.
Katso voittajan lähestymistapa täältä.
Sija 02
Punen Arista Networksin datatieteilijä Aadarsh Singh saavutti kolmannen sijan. IIT-Dhanbadista valmistunut Singh muisteli lämmöllä osallistumistaan ”Predict The Price of the Books” -hackathoniin, johon osallistui yli 1000 rekisteröitymistä. Kovasta kilpailusta huolimatta hän onnistui varmistamaan sijoituksen tulostaulukossa, mikä on hänen mielestään merkittävä virstanpylväs datatieteen matkalla.
Alkuperäisen menestyksensä rohkaisemana Singh omistautui tietotieteen hallitsemiseen ja saavutti lopulta “GrandMaster”-arvon MachineHack-alustalla, jossa hänellä on tällä hetkellä toisella sijalla globaalissa tulostaulukossa.
Singh kehui MachineHackia sen lukuisista ominaisuuksista, mukaan lukien hackathoneista, harjoituksista, haastattelujen valmistelusta ja arvoimista, joita hän kuvaili “yhden luukun paikaksi kaikkeen”. Loppupuheenvuorossaan hän ilmaisi syvän emotionaalisen yhteyden alustaan ja totesi, että hänelle se on enemmän kuin pelkkä verkkosivusto; se on tunne.
Katso voittajan lähestymistapa täältä.
Sija 03
Roshan Rateria, opiskelija Institute of Engineering and Management, Kolkata, varmisti toisen sijan kilpailussa. Kokemuksiaan pohtiessaan hän ylisti MachineHack-alustan käyttäjäystävällisyyttä, josta hän piti apua oppimismatkallaan. Hän arvosti myös alustan viestintä- ja oppimisominaisuuksia ja kuvaili sitä “kattavaksi alustaksi”.
Rateria ylisti kilpailun selkeitä, ytimekkäitä ja yksinkertaisia edellytyksiä, sääntöjä ja arviointistrategioita, jotka tekivät osallistujille helposti ymmärrettäviä. Hän ilmaisee innostuksensa alustaa kohtaan ja toivoo, että tällaisia hackathoneja järjestettäisiin tulevaisuudessa enemmän.
Katso voittajan lähestymistapa täältä.
