Seuraava artikkeli auttaa sinua: Tapaa uHack Sentiments 2.0: Decode Code Words -ohjelman voittajat
uHack Sentiments 2.0: Decode Code Words, jonka järjesti Ugam, Merkle-yhtiö, yhteistyössä MachineHackin kanssa, päättyi 13. tammikuuta 2022.
Datatieteen palkkaamishackathon tunneanalyysiin osallistui 1016 osallistujaa ja yli 250 ratkaisuehdotusta. Kolme parasta voittajaa saivat käteispalkintoja 70 000 INR:n arvosta, ja heillä on mahdollisuus saada Ugamin palkkaa.
Voittajat saivat myös mahdollisuuden esitellä oppimistaan ja ratkaisulähestymistapojaan torstaina 20.1.2022 Intian johtavassa koneoppimisen harjoittajien konferenssissa – Machine Learning Developers Summit (MLDS) 2022.
Katso heidän esittelynsä täältä:
Katsotaanpa nopeasti voittajien matkoja, ratkaisumalleja ja yleistä kokemusta MachineHackista.
Sijoitus 01: Salil Gautam
Salil Gautam on Société Générale Global Solution Centren datatieteilijä. Hän aloitti datatieteen matkansa toisena yliopistovuotena. Siitä lähtien hän on osallistunut aktiivisesti erilaisiin Hackathoneihin. Hän on voittanut yli 45 tuotepohjaista ja datatieteen hackathonia viimeisen viiden vuoden aikana. “Tämä on antanut minulle altistumisen monille monimutkaisille teollisuuden ongelmille eri aloilla”, sanoi Gautam.
Lähestyä
Gautam sanoi, että hän jakoi haasteen alun perin 12 yksittäiseen ongelmaan käyttämällä binaarista luokittelua, mutta myöhemmin havaitsi monimerkkisen lähestymistavan toimivan paremmin. Lisäksi hän kokeili erilaisia arkkitehtuureja ja löysi muuntajamallit ihanteellisena ratkaisuna.
“Viimeinen ehdotukseni oli sekoitus kahdeksaa mallia, jotka käsittivät erilaisia muuntajia sekä vaihtelut erän koossa, sekvenssin pituudessa, taituksissa, aikakausissa jne.”, hän lisäsi. Gautam sanoi, että hänen paras yksittäisen mallin pistemäärä julkisessa tulostaulukossa oli 2,75688, mikä olisi voinut varmistaa hänelle hyvän sijoituksen, mutta hän yritti “yhdistää” tehdäkseen lopullisesta ehdotuksesta vahvemman.
Kokea
Gautam on ollut MachineHackin jäsen joulukuusta 2018 lähtien. Hänen mukaansa alustan käyttöliittymä ja palkintopotti tekevät siitä todella mielenkiintoisen ja kilpailukykyisen.
Katso ratkaisu täältä.
Sijoitus 02: Rajat Ranjan
Rajat Ranjan on TheMathCompanyn datatieteilijä. Hän on myös työskennellyt Infosysin kanssa. Hänellä on yli 5 vuoden kokemus datatieteen ja analytiikan alalta sekä kokemusta IT- ja palvelu-/tuoteteollisuudesta.
Ranjan hallitsee koneoppimisen, mallintamisen ja visualisoinnin Pythonilla. Hän hallitsee myös vahvan paikan päällä tapahtuvan asiakasvuorovaikutuksen ja sidosryhmien tarpeiden analysoinnin. “Rakastan olla vuorovaikutuksessa datan kanssa ja luoda liiketoimintatarpeisiin parhaiten sopivia malleja sekä osallistua erilaisiin ML-hackathoneihin oppiakseni uutta teknologiaa ja kasvaakseni ammatillisesti”, hän lisäsi.
Lähestyä
Ranjanin lähestymistapa perustui tekstin esikäsittelyyn eri liukuputkien avulla, tekstiominaisuuksiin perustuvaan lähestymistapaan ominaisuussuunnittelun avulla, siirtooppimiseen käyttämällä yksinkertaisia muuntajia eri malleja käyttäen (BERT, RoBERTa), usean etiketin kerrostettuun ristiinvalidointiin, lokihäviön optimointiin käyttämällä ensemble-lähestymistapaa varianssin vähentämiseksi, jne.
Kokea
“Olen ollut osa MachineHackia sen perustamisesta lähtien”, sanoi Ranjan. Hän sanoi, että tällaiset hackathonit lisäävät kaikkien pyrkivien datatieteilijöiden itseluottamusta ja auttavat heitä kasvamaan teknisesti ML/DS-alalla, sillä johdonmukaisuus on avain kasvun oppimiseen! “Minulla oli hauskaa osallistua hackathoniin ja haluaisin osallistua kaikkiin hackathoneihin, joita järjestetään myös tulevaisuudessa”, hän lisäsi.
Katso ratkaisu täältä.
Sijoitus 03: Salim Shaikh
Salim Shaikh on HDFC Bankin datatutkija. Shaikhilla on tilastotieteen maisteri. “Aiemmin en ollut tietoinen datatieteestä, mutta Vodafone Ideassa sijoittuessani löysin tulevaisuuden tiekartani”, Shaikh sanoi.
Hän on osallistunut erilaisiin Kagglen, Analytics Vidhyan, Zindin, HackerEarthin ja MachineHackin järjestämiin hackathoneihin. “Tämä johti yhteistyöhön oppimiseen lukemalla muiden osallistujien ratkaisuja, tekemällä yhteistyötä heidän kanssaan ja vaihtamalla ideoita jne.”, hän lisäsi.
Lähestyä
Shaikh rakensi kielimallin kontekstin ymmärtämiseksi. Hän käytti Hugging Facen aktiivista väylää/BERT-XD_Review’, koska se on verkkotunnusten välinen (pelkän kannettavan ja ravintolan lisäksi) kielimalli, jossa jokainen esimerkki on peräisin yhdestä tuotteesta/ravintolasta, jolla on sama arvosana, jälkikoulutettu (hienoviritetty). 5-ytimen Amazon-arvostelujen ja kaikkien Yelp-tietojen yhdistelmällä. Se perustuu BERT-julkaisuun Post-Training for Review Reading Comprehension and Aspect-based Sentiment Analysis.
Koulutettuaan kielimallin hän käytti sitä alkupainoina ja luokitteli jokaisen arvostelun 12 luokkaan. Hän piti sitä myös monimerkkiongelmana, mutta se ei antanut hänelle parempia tuloksia. “Voin olla väärässä salaisessa yhteistyössä”, hän lisäsi. “Lopuksi koulutin 12 mallia, yhden kullekin luokalle käyttämällä viisinkertaista ristiinvalidointia ja erilaisia hyperparametreja jokaiselle mallille.”
Kokea
“Joka viikonloppu saamme uusia ongelmia, jotka kattavat kaikki näkökohdat, kuten tekstin, taulukon, näkemyksen jne., opittavaa. Odotan innolla lisää hackathoneja tulevaisuudessa”, hän lisäsi.
Katso ratkaisu täältä.
