【数据竞赛】2020 Kaggle 10大竞赛方案汇总
作者: 塵沙黑夜
2020 Kaggle 10大競賽方案匯總
1??2020kaggle精選10大賽事匯總
1.1??2019 Data Science Bowl(3493只隊伍)
1.2??TensorFlow 2.0 Question Answering(1233只隊伍)
1.3??Santa's Workshop Tour 2019(1620只隊伍)
1.4??Google QUEST Q&A Labeling(1571只隊伍)
1.5??OpenVaccine: COVID-19 mRNA Vaccine Degradation Prediction(1636只隊伍)
1.6??RSNA STR Pulmonary Embolism Detection(784只隊伍)
1.7??Google Landmark Recognition 2020(736只隊伍）
1.8??OSIC Pulmonary Fibrosis Progression(2097只隊伍)
1.9??Mechanisms of Action (MoA) Prediction
1.10??Google Research Football with Manchester City F.C.(1138只隊伍)
2019 Data Science Bowl
1. 賽題背景：
啟發(fā)學習。點燃可能性。
揭示幼兒教育的新見解以及媒體如何支持學習成果。參加我們的第五屆年度數(shù)據(jù)科學碗，由博斯艾倫漢密爾頓和卡格爾。
而PBS的宗旨是讓孩子們在幼年時代學習到一個值得信賴的技能，讓孩子們在幼年時代獲得成功。在本次挑戰(zhàn)中，您將使用來自PBS KIDS Measure Up的匿名游戲數(shù)據(jù)，包括觀看視頻和玩游戲的知識！app，一種基于游戲的學習工具，是由美國教育部資助的CPB-PBS準備學習計劃的一部分。參賽者將被要求預測游戲內評估的分數(shù)，并創(chuàng)建一種算法，從而設計出更好的游戲，提高學習效果。您的解決方案將有助于發(fā)現(xiàn)參與高質量教育媒體和學習過程之間的重要關系。
“數(shù)據(jù)科學碗”是全球最大的以社會公益為重點的數(shù)據(jù)科學競賽。每年，這項比賽都會給卡格爾斯一個機會，讓他們用自己的熱情去改變世界。在過去的四年里，超過5萬名kaggler提交了超過11.4萬份報告，以改善從肺癌和心臟病檢測到海洋健康的所有方面。有關數(shù)據(jù)科學碗的更多信息，請訪問DataScienceBowl.com網站
比賽的數(shù)據(jù)來自哪里？
在這個比賽中使用的數(shù)據(jù)是匿名的，與PBS兒童測量互動的表格數(shù)據(jù)！應用程序。選擇數(shù)據(jù)，如用戶的應用程序內評估分數(shù)或他們通過游戲的路徑，是由PBS兒童測量收集！應用程序，一個基于游戲的學習工具。
PBS兒童致力于為所有年齡段的家庭成員創(chuàng)造一個安全可靠的環(huán)境。PBS的孩子們都很好！應用程序不收集任何個人身份信息，如姓名或位置。比賽中使用的所有數(shù)據(jù)都是匿名的。要查看完整的PBS兒童隱私政策，
任何人都無法下載整個數(shù)據(jù)集，參與者也無法訪問有關個人用戶的任何個人身份信息。PRIVO是全球領先的兒童在線隱私行業(yè)專家，他對數(shù)據(jù)科學碗和今年比賽的數(shù)據(jù)使用進行了審查，以確保其符合適用的兒童隱私法規(guī)的要求。
PBS的孩子們有什么標準！應用程序？
在PBS里，孩子們都很好！應用程序，3至5歲的孩子學習早期的莖的概念，重點是長度，寬度，容量和重量，而去冒險，通過樹梢城市，巖漿峰和水晶洞穴。加入他們最喜歡的PBS兒童角色，孩子們也可以收集獎勵和解鎖數(shù)字玩具，因為他們發(fā)揮。了解更多關于PBS的孩子們的標準！，請單擊此處。
PBS KIDS和PBS KIDS徽標是PBS的注冊商標。經允許使用。PBS孩子們的內容都很好！是在教育部的資助下發(fā)展起來的。然而，這些內容并不一定代表教育部的政策，你不應該承擔由聯(lián)邦政府認可。該應用程序由教育部向公共廣播公司提供的即學助學金資助（PR/獎勵編號：U295A150003，CFDA編號：84.295A）。
2. Top方案分享：
1st place solution：https://www.kaggle.com/c/data-science-bowl-2019/discussion/127469
2nd place solution：https://www.kaggle.com/c/data-science-bowl-2019/discussion/127388
3rd place solution - single TRANSFORMER model：https://www.kaggle.com/c/data-science-bowl-2019/discussion/127891, Code：https://github.com/lime-robot/dsb2019
4th place solution:https://www.kaggle.com/c/data-science-bowl-2019/discussion/127210
7th place solution:https://www.kaggle.com/c/data-science-bowl-2019/discussion/127213
8th place solution:https://www.kaggle.com/c/data-science-bowl-2019/discussion/127285
9th place solution:https://www.kaggle.com/c/data-science-bowl-2019/discussion/127612
10th place solution:https://www.kaggle.com/c/data-science-bowl-2019/discussion/127332
TensorFlow 2.0 Question Answering
1. 賽題背景：
2. Top方案分享：
1st place solution：https://www.kaggle.com/c/tensorflow2-question-answering/discussion/127551
2nd place solution：https://www.kaggle.com/c/tensorflow2-question-answering/discussion/127333
3rd place solution：https://www.kaggle.com/c/tensorflow2-question-answering/discussion/127339
4th place solution：https://www.kaggle.com/c/tensorflow2-question-answering/discussion/127371
6th place solution：https://www.kaggle.com/c/tensorflow2-question-answering/discussion/127521
7th place solution：https://www.kaggle.com/c/tensorflow2-question-answering/discussion/127259
8th place solution：https://www.kaggle.com/c/tensorflow2-question-answering/discussion/127545
9th place solution：https://www.kaggle.com/c/tensorflow2-question-answering/discussion/128278
Santa's Workshop Tour 2019(1620只隊伍)
1. 賽題背景：
錘子響了，你在聽嗎? 在商店里，玩具閃閃發(fā)光.他們應該看風景嗎？可能會有一場戰(zhàn)斗…在工作坊仙境漫步
家人說，他們想看看,圣誕老人說，他會保證的,他們選了個約會,但他們可能不得不等待,在工作坊仙境漫步
我們告訴圣誕老人他是個瘋子，他只是想確保他們都笑，他會說“你靈活嗎？他們會說“是的，伙計，但你能幫我們讓這值得一試嗎？”
“給他們食物或毛衣,他們等得越久，禮物就越好”,請幫我們排名,否則我們就要破產了！在工作坊仙境漫步
圣誕老人有令人興奮的消息！在圣誕節(jié)前的100天里，他開始參觀他的工作室。因為需求如此旺盛，而且圣誕老人想讓事情盡可能公平，他讓5000個將要參觀研討會的家庭中的每一個選擇一份他們希望參加研討會的日期清單。既然所有的家庭都給圣誕老人送去了他們的偏好，他意識到不可能每個人都能得到他們的首選，所以他決定為那些沒有得到他們偏好的家庭提供額外的福利。此外，圣誕老人的會計部門告訴他，根據(jù)家庭的安排，可能會產生一些意想不到的巨大費用。
圣誕老人需要Kaggle社區(qū)的幫助來優(yōu)化每個家庭被分配到哪一天參加研討會，以盡量減少任何額外的開支，這將削減明年的玩具預算！你能幫圣誕老人嗎？
2. Top方案分享：
1st place solution:https://www.kaggle.com/c/santa-workshop-tour-2019/discussion/127427
2nd place solution:https://www.kaggle.com/c/santa-2019-revenge-of-the-accountants/discussion/126380
6th place solution:https://www.kaggle.com/c/santa-workshop-tour-2019/discussion/126255
13th place solution:https://www.kaggle.com/c/santa-workshop-tour-2019/discussion/126254
Google QUEST Q&A Labeling
1. 賽題背景：
計算機真的很擅長用單一的、可驗證的答案回答問題。但是，人類通常更善于回答關于意見、建議或個人經歷的問題。
人類更善于解決主觀問題，這些問題需要對上下文有更深入、多層面的理解——計算機還沒有被訓練得很好……但。。問題可以有多種形式——有些是多句話的闡述，另一些可能是簡單的好奇心問題或完全發(fā)展的問題。他們可以有多種意圖，或者尋求建議和意見。有些可能有用，有些則有趣。有些是簡單的對或錯。
不幸的是，由于缺乏數(shù)據(jù)和預測模型，很難建立更好的主觀問答算法。這就是為什么google research的眾源團隊，一個致力于通過眾包來推進NLP和其他類型的ML科學的團隊，已經收集了許多質量評分方面的數(shù)據(jù)。
在這場比賽中，你面臨的挑戰(zhàn)是如何使用這個新的數(shù)據(jù)集來為問答的不同主觀方面構建預測算法。這些問答對是以“常識”的方式從近70個不同的網站收集的。我們的評分員接受的指導和培訓很少，主要依賴于他們對提示的主觀解釋。因此，每個提示都是以最直觀的方式制作的，這樣評分員就可以簡單地使用他們的常識來完成任務。通過減少我們對復雜和不透明的評級準則的依賴，我們希望增加這個數(shù)據(jù)集的重用價值。你看到的就是你得到的！
證明這些主觀標簽能夠被可靠地預測，將為這一研究領域帶來新的曙光。本次比賽的結果將為未來智能答疑系統(tǒng)的構建提供參考，希望有助于它們變得更加人性化。
2. Top方案分享：
1st place solution:https://github.com/oleg-yaroshevskiy/quest_qa_labeling
2nd place solution:https://www.kaggle.com/c/google-quest-challenge/discussion/129978
3rd place solution:https://www.kaggle.com/c/google-quest-challenge/discussion/129927
4th place solution:https://www.kaggle.com/c/google-quest-challenge/discussion/129896
5th solution:https://www.kaggle.com/c/google-quest-challenge/discussion/129875
6th place solution:https://www.kaggle.com/c/google-quest-challenge/discussion/130243
7th place post:https://www.kaggle.com/c/google-quest-challenge/discussion/130083
9th place solution:https://www.kaggle.com/c/google-quest-challenge/discussion/130167
10th Private:https://www.kaggle.com/c/google-quest-challenge/discussion/129901
12th place solution:https://www.kaggle.com/c/google-quest-challenge/discussion/129914
16th Place Solution:https://www.kaggle.com/c/google-quest-challenge/discussion/130112
OpenVaccine: COVID-19 mRNA Vaccine Degradation Prediction
1. 賽題背景：
要想贏得對抗COVID-19大流行的戰(zhàn)斗，就需要一種能夠公平和廣泛分布的有效疫苗。在幾十年的研究基礎上，科學家們加速了對COVID-19疫苗的研究，但是沒有疫苗的每一天都會給世界帶來巨大的代價。我們需要來自世界各地的新思想。網絡游戲和眾包能否幫助解決全球范圍內的流行病？將科學和眾包智能結合起來可以幫助計算生物化學家取得可衡量的進展。
mRNA疫苗已成為COVID-19最快的候選疫苗，但目前它們面臨著關鍵的潛在限制。目前最大的挑戰(zhàn)之一是如何設計超穩(wěn)定的信使RNA分子（mRNA）。傳統(tǒng)疫苗（如季節(jié)性流感疫苗）用一次性注射器包裝，冷藏后運到世界各地，但這在目前的mRNA疫苗中是不可能的。
研究人員觀察到RNA分子有自發(fā)降解的傾向。這是一個嚴重的限制——一次切割就可以使mRNA疫苗無效。目前，對于特定RNA的主干中最容易受影響的部位的細節(jié)知之甚少。如果沒有這些知識，目前針對COVID-19的mRNA疫苗必須在高強度冷藏條件下制備和運輸，除非它們能夠穩(wěn)定下來，否則不太可能到達地球上超過一小部分的人類。
由斯坦福大學醫(yī)學院計算生物化學家Rhiju Das教授領導的Eterna社區(qū)將科學家和游戲玩家聚集在一起解決難題并發(fā)明藥物。Eterna是一個在線視頻游戲平臺，它挑戰(zhàn)玩家通過謎題來解決諸如mRNA設計之類的科學問題。研究人員在斯坦福對這些溶液進行了合成和實驗測試，以獲得有關RNA分子的新見解。埃特納社區(qū)此前已經開啟了新的科學原理，對致命疾病做出了新的診斷，并利用世界上最強大的智力資源來改善公眾的生活。Eterna社區(qū)通過其在20多份出版物中的貢獻，包括RNA生物技術的進展，促進了生物技術的發(fā)展。
在這次比賽中，我們希望利用Kaggle社區(qū)的數(shù)據(jù)科學專業(yè)知識來開發(fā)RNA降解的模型和設計規(guī)則。您的模型將預測RNA分子每個堿基的可能降解率，這些RNA分子在一個由3000多個RNA分子組成的Eterna數(shù)據(jù)集的子集上進行訓練（這些RNA分子跨越了一系列序列和結構）以及它們在每個位置的降解率。然后，我們將為你的模型打分，這些模型是由Eterna players為COVID-19mRNA疫苗設計的第二代RNA序列。這些最終的測試序列目前正在斯坦福大學進行合成和實驗表征，與你的建模工作并行——大自然將為你的模型打分！
提高mRNA疫苗的穩(wěn)定性是大流行前正在探索的一個問題，但預計需要多年才能解決。現(xiàn)在，我們必須在數(shù)月甚至數(shù)周內解決這一深層次的科學挑戰(zhàn)，以加速mRNA疫苗的研究，并提供一種針對SARS-CoV-2（COVID-19背后的病毒）的冰箱穩(wěn)定疫苗。我們正在努力解決的問題已經躲過了學術實驗室、工業(yè)研發(fā)小組和超級計算機的視線，所以我們轉向你們。為了提供幫助，您可以加入Eterna的視頻游戲玩家、科學家和開發(fā)人員團隊，開啟我們抗擊這場毀滅性流行病的關鍵。
2. Top方案：
1st place solution:https://www.kaggle.com/c/stanford-covid-vaccine/discussion/189620
2nd place solution:https://www.kaggle.com/c/stanford-covid-vaccine/discussion/189709
3rd Place Write-up:https://www.kaggle.com/c/stanford-covid-vaccine/discussion/189574
4th place solution:https://www.kaggle.com/c/stanford-covid-vaccine/discussion/189650
5th Place:https://www.kaggle.com/c/stanford-covid-vaccine/discussion/189691
7th place solution:https://www.kaggle.com/c/stanford-covid-vaccine/discussion/189564
8th place solution:https://www.kaggle.com/c/stanford-covid-vaccine/discussion/190314
9th place solution:https://www.kaggle.com/c/stanford-covid-vaccine/discussion/189845
11th place solution：https://www.kaggle.com/c/stanford-covid-vaccine/discussion/189571
其它方案：https://www.kaggle.com/c/stanford-covid-vaccine/discussion/189344
RSNA STR Pulmonary Embolism Detection
1. 賽題背景：
如果每一次呼吸都是緊張和痛苦的，那就可能是一種嚴重的、可能危及生命的狀況。肺栓塞是由肺動脈阻塞引起的。確認PE很費時，而且容易過度診斷。機器學習有助于更準確地識別PE病例，使患者的管理和治療更有效。
目前，CT肺動脈造影（CTPA）是評價疑似PE患者最常見的影像學檢查方法。這些CT掃描包括數(shù)百張圖像，需要詳細檢查以確定肺動脈內的血栓。隨著影像學的應用不斷增長，放射科醫(yī)生的時間限制可能導致診斷延遲。
北美放射學會（RSNA?）與胸科放射學會（STR）合作，幫助改進機器學習在PE診斷中的應用。
在這次比賽中，你將發(fā)現(xiàn)和分類PE病例。特別是，您將使用胸部CTPA圖像（分組為研究）和您的數(shù)據(jù)科學技能，以便更準確地識別PE。如果成功，你將有助于減少人為延誤和錯誤的檢測和治療。
在美國，每年有60000-100000例PE死亡，是最致命的心血管疾病之一。及時準確的診斷將有助于這些患者得到更好的治療，也可能改善預后。
2. Top方案：
1st place solution:https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/194145
2nd place solution:https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/193401
3rd place solution:https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/193424
4th place solution:https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/193970
5th place solution:https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/193475
6th place solution:https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/195865
7th place solution:https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/193460
8th place solution:https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/193506
9th place solution:https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/193417
10th place solution:kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/193505
其它方案：https://www.kaggle.com/c/rsna-str-pulmonary-embolism-detection/discussion/193795
Google Landmark Recognition 2020
1. 賽題背景：
歡迎參加第三屆地標識別大賽！今年，我們將此設置為一個代碼競賽，并收集了一組新的測試圖像。
你有沒有看過自己的度假照片，問自己：我在中國參觀的那座寺廟叫什么名字？或者是誰創(chuàng)造了這個我在法國看到的紀念碑？地標識別有幫助！這項技術可以直接從圖像像素預測地標標簽，幫助人們更好地理解和組織他們的照片收藏。這項競賽挑戰(zhàn)Kagglers建立模型，識別具有挑戰(zhàn)性的測試圖像數(shù)據(jù)集中的正確地標（如果有的話）。
許多kaggler都熟悉圖像分類挑戰(zhàn)，比如ImageNet大規(guī)模視覺識別挑戰(zhàn)（ILSVRC），它的目標是識別1K個一般對象類別。Landmark recognition與之稍有不同：它包含大量的類（在這個挑戰(zhàn)中有超過81K個類），每個類的訓練示例數(shù)可能不是很大。地標識別本身就具有挑戰(zhàn)性。
在本挑戰(zhàn)的前幾個版本（2018年和2019年）中，提交是通過將預測文件上傳到系統(tǒng)來處理的。今年的比賽采用同步重播的形式，參賽者需要提交卡格爾筆記本進行評分。
本次挑戰(zhàn)賽與2020年6月30日推出的地標檢索挑戰(zhàn)賽（Landmark Retrieval challenge 2020）聯(lián)合舉辦。這兩項挑戰(zhàn)都與ECCV'20的實例級識別研討會有關。
2. Top方案：
1st place solution:https://www.kaggle.com/c/landmark-recognition-2020/discussion/187821
2nd place solution:https://www.kaggle.com/c/landmark-recognition-2020/discussion/188299
3rd place solution:https://www.kaggle.com/c/landmark-recognition-2020/discussion/187757
6th place solution:https://www.kaggle.com/c/landmark-recognition-2020/discussion/187961
OSIC Pulmonary Fibrosis Progression
1. 賽題背景：
想象有一天，你的呼吸變得持續(xù)費力和淺。幾個月后，你終于被診斷為肺纖維化，一種病因不明，治愈方法不明的疾病，由肺部疤痕造成。如果發(fā)生在你身上，你會想知道你的預后。正是在這種情況下，一種令人不安的疾病對患者來說變得可怕：結果可能從長期穩(wěn)定到迅速惡化，但醫(yī)生們不容易判斷一個人可能屬于這一范圍。你的幫助，和數(shù)據(jù)科學，也許能夠幫助這個預測，這將極大地幫助病人和臨床醫(yī)生。
目前的方法使纖維化的肺部疾病難以治療，即使可以獲得胸部CT掃描。此外，各種各樣的預后造成了組織臨床試驗的問題。最后，患者除了因疾病進展路徑不透明而出現(xiàn)與纖維化相關的癥狀外，還遭受極度焦慮。
開放源代碼成像聯(lián)盟（OSIC）是學術界、工業(yè)界和慈善機構之間的一個非營利合作組織。該小組在對抗特發(fā)性肺纖維化（IPF）、纖維化間質性肺疾病（ILD）和其他呼吸系統(tǒng)疾病（包括肺氣腫）方面取得了快速進展。它的任務是匯集來自世界各地的放射科醫(yī)生、臨床醫(yī)生和計算科學家，以改進基于成像的治療方法。
在這場比賽中，你將根據(jù)患者肺部的CT掃描來預測其肺功能下降的嚴重程度。你將根據(jù)肺活量計的輸出測定肺功能，肺活量計測量吸入和呼出的空氣量。目前的挑戰(zhàn)是使用機器學習技術，以圖像、元數(shù)據(jù)和基線FVC作為輸入進行預測。
如果成功的話，當病人和他們的家人第一次被診斷出患有這種無法治愈的肺部疾病時，他們會更好地了解自己的預后。改善嚴重程度檢測也將對治療試驗設計產生積極影響，并加速新療法的臨床開發(fā)。
2. Top方案：
1st place solution:https://www.kaggle.com/c/osic-pulmonary-fibrosis-progression/discussion/189346
4th place solution:https://www.kaggle.com/c/osic-pulmonary-fibrosis-progression/discussion/189214
5th place solution:https://www.kaggle.com/c/osic-pulmonary-fibrosis-progression/discussion/189318
6th place solution:https://www.kaggle.com/c/osic-pulmonary-fibrosis-progression/discussion/189220
9th place solution:https://www.kaggle.com/c/osic-pulmonary-fibrosis-progression/discussion/189251
10th place solution:https://www.kaggle.com/c/osic-pulmonary-fibrosis-progression/discussion/189217
Mechanisms of Action (MoA) Prediction
1. 賽題背景：
連接圖是麻省理工學院和哈佛大學廣泛研究所、哈佛大學創(chuàng)新科學實驗室（LISH）和美國國立衛(wèi)生研究院共同基金綜合網絡細胞特征庫（LINCS）的一個項目，它提出了這一挑戰(zhàn)，目標是通過改進MoA預測算法來推進藥物開發(fā)。
藥物的作用機制是什么？為什么它很重要？
在過去，科學家從天然產物中提取藥物，或者受傳統(tǒng)療法的啟發(fā)。非常常見的藥物，如撲熱息痛，在美國被稱為對乙酰氨基酚，被投入臨床使用幾十年前的生物學機制驅動其藥理活性被理解。今天，隨著更強大的技術的出現(xiàn)，藥物發(fā)現(xiàn)已經從過去的偶然方法轉變?yōu)榛趯膊撛谏飳W機制的理解的更有針對性的模型。在這個新的框架中，科學家們試圖找出一種與疾病相關的蛋白質靶點，并開發(fā)出一種能夠調節(jié)該蛋白質靶點的分子。作為描述特定分子生物活性的簡寫，科學家們指定了一個簡稱為“作用機制”或“MoA”的標簽。
如何確定新藥的MoAs？
一種方法是用藥物處理人類細胞樣本，然后用算法分析細胞反應，這些算法在大型基因組數(shù)據(jù)庫中搜索與已知模式的相似性，例如基因表達庫或已知MOA藥物的細胞生存模式。
在這場比賽中，你將獲得一個獨特的數(shù)據(jù)集，結合基因表達和細胞活力的數(shù)據(jù)。這項數(shù)據(jù)是基于一項新技術，在100種不同細胞類型的細胞池中同時（在相同的樣本中）測量人類細胞對藥物的反應（從而解決了事先確定哪些細胞類型更適合某一特定藥物的問題）。此外，您還可以訪問此數(shù)據(jù)集中5000多種藥物的MoA注釋。
按照慣例，數(shù)據(jù)集被分為測試和訓練子集。因此，您的任務是使用訓練數(shù)據(jù)集來開發(fā)一個算法，該算法自動將測試集中的每個案例標記為一個或多個MoA類。注意，由于藥物可以有多個MoA注釋，因此這項任務在形式上是一個多標簽分類問題。
如何評估解決方案的準確性？
基于MoA注釋，將根據(jù)應用于每個藥物MoA注釋對的對數(shù)損失函數(shù)的平均值來評估溶液的準確性。
如果成功，你將幫助開發(fā)一種算法，根據(jù)化合物的細胞特征預測其MoA，從而幫助科學家推進藥物發(fā)現(xiàn)過程。
2. Top方案分享：
1st place solution:https://www.kaggle.com/c/lish-moa/discussion/201510
2nd Place Solution:https://www.kaggle.com/c/lish-moa/discussion/202256
3rd place solution:kaggle.com/c/lish-moa/discussion/202078
4th place solution:https://www.kaggle.com/c/lish-moa/discussion/200808
7th place solution:https://www.kaggle.com/c/lish-moa/discussion/200784
8th place solution:https://www.kaggle.com/c/lish-moa/discussion/200992
Google Research Football with Manchester City F.C.?
1. 賽題背景：
曼城F.C.和谷歌研究公司很自豪地展示了使用谷歌研究足球環(huán)境的人工智能足球比賽。
曼城足球俱樂部的一句話。
曼城足球俱樂部的老板，城市足球集團的數(shù)據(jù)洞察和決策技術總監(jiān)布萊恩·普雷斯蒂奇提出了這個挑戰(zhàn)。“足球是一個艱苦的環(huán)境中表現(xiàn)和更艱苦的環(huán)境中學習。學習就是要駕馭失敗，但足球中的失敗很少被接受。與谷歌研究公司（Google Research）的基于物理的足球環(huán)境合作，為我們提供了一個通過模擬學習的新地方，并為我們提供了測試戰(zhàn)術概念和完善原則的能力，從而使它們足夠強大，足以讓教練將職業(yè)生涯押在其身上。”
“因此，我們非常高興能與谷歌的研究團隊合作，創(chuàng)建這一競賽，并期待著有機會通過資金和獨家獎勵，支持一些最具創(chuàng)意和最成功的競爭對手。我們希望在本次比賽之外，與獲獎者建立持續(xù)的合作關系，為我們大家提供探索和確立足球戰(zhàn)術基本原則的平臺，從而提高我們在球場上的表現(xiàn)和成功的能力。”
城市足球集團（City Football Group）首席技術官格雷格?斯威默（Greg Swimer）補充說：“機器學習和人工智能等技術在增強球員、教練和球迷對足球的理解和享受方面具有巨大的未來潛力。我們很高興能與谷歌的研究團隊合作，以幫助擴大知識，人才和創(chuàng)新工作在這個令人興奮和轉型的領域”。
谷歌研究足球環(huán)境競賽,世界從足球中得到樂趣（足球在美國）。作為地球上最受歡迎的運動，數(shù)百萬的球迷喜歡在球場上觀看塞爾吉奧·阿圭羅、拉希姆·斯特林和凱文·德·布魯因。足球電子游戲雖然不那么生動，但仍然非常受歡迎，我們想知道人工智能代理是否能夠正確地玩這些游戲。
研究人員希望探索人工智能特工在足球等復雜環(huán)境中的能力。這項運動需要一種平衡，即短期控制，學習傳球等概念，以及高水平的策略，而這些都很難教給經紀人。目前存在一個培訓和測試代理的環(huán)境，但其他解決方案可能提供更好的結果。googleresearch的團隊渴望做出對每個人都有影響的發(fā)現(xiàn)。分享研究成果和工具以推動這一領域的進展，是他們采取這一做法的關鍵。谷歌研究公司與曼城F.C.共同發(fā)起了這場競爭，以幫助他們實現(xiàn)目標。
2. Top方案分享：
1st place solution: https://www.kaggle.com/c/google-football/discussion/202232
2nd place solution: https://www.kaggle.com/c/google-football/discussion/202977
3rd place solution: ?https://www.kaggle.com/c/google-football/discussion/200709
5th place solution:https://www.kaggle.com/c/google-football/discussion/203412
6th place solution:https://www.kaggle.com/c/google-football/discussion/201376
7th place post:https://www.kaggle.com/c/google-football/discussion/200912
總結
以上是生活随笔為你收集整理的【数据竞赛】2020 Kaggle 10大竞赛方案汇总的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Win10本地账户怎么更改为Micros
- 下一篇： 【机器学习基础】时间序列基本概念