IKCEST國(guó)際大數(shù)據(jù)競(jìng)賽賽題解析

第1章2015賽題——“人物關(guān)系”
知識(shí)挖掘
1.1賽題解析
1.1.1賽題介紹
1.1.2數(shù)據(jù)介紹
1.1.3評(píng)估指標(biāo)
1.1.4賽題分析
1.2“人物關(guān)系”知識(shí)挖掘基礎(chǔ)介紹
1.2.1基于模板的方法
1.2.2基于統(tǒng)計(jì)的方法
1.2.3基于神經(jīng)網(wǎng)絡(luò)的方法
1.3數(shù)據(jù)處理
1.3.1數(shù)據(jù)分析
1.3.2樣本不均衡數(shù)據(jù)處理
1.3.3數(shù)據(jù)加載
1.4“人物關(guān)系”知識(shí)挖掘方法探索
1.4.1基于LSTM的關(guān)系
抽取
1.4.2基于Transformer的
關(guān)系抽取
1.4.3基于預(yù)訓(xùn)練微調(diào)的
關(guān)系抽取
1.4.4效果對(duì)比
1.5模型提升與改進(jìn)
1.5.1如何利用無標(biāo)注數(shù)據(jù)
1.5.2如何利用實(shí)體
屬性數(shù)據(jù)
1.5.3總結(jié)
第2章2016賽題——提取子句中的
核心實(shí)體
2.1賽題解析
2.1.1賽題介紹
2.1.2數(shù)據(jù)介紹
2.1.3評(píng)估指標(biāo)
2.1.4賽題分析
2.2實(shí)體識(shí)別基礎(chǔ)介紹
2.2.1命名實(shí)體識(shí)別任務(wù)
2.2.2詞向量模型
2.2.3基礎(chǔ)方法
2.3數(shù)據(jù)處理
2.3.1數(shù)據(jù)分析
2.3.2文本序列預(yù)處理
2.4核心實(shí)體識(shí)別
2.4.1核心實(shí)體識(shí)別模型
2.4.2損失函數(shù)
2.4.3維特比算法
2.4.4核心實(shí)體識(shí)別實(shí)驗(yàn)
2.4.5識(shí)別結(jié)果分析
2.5模型提升與改進(jìn)
2.5.1K折交叉驗(yàn)證
2.5.2對(duì)抗訓(xùn)練
2.5.3總結(jié)
第3章2017賽題——寵物分類
3.1賽題解析
3.1.1賽題介紹
3.1.2數(shù)據(jù)介紹
3.1.3評(píng)估指標(biāo)
3.1.4賽題分析
3.2計(jì)算機(jī)視覺基礎(chǔ)介紹
3.2.1計(jì)算機(jī)視覺任務(wù)
3.2.2計(jì)算機(jī)視覺基礎(chǔ) 
3.2.3傳統(tǒng)圖像分類及實(shí)踐
3.2.4神經(jīng)網(wǎng)絡(luò)圖像分類及
實(shí)踐
3.3數(shù)據(jù)處理
3.3.1數(shù)據(jù)預(yù)處理
3.3.2數(shù)據(jù)增強(qiáng)
3.4圖像分類網(wǎng)絡(luò)及方法
3.4.1經(jīng)典分類網(wǎng)絡(luò)
3.4.2VGG網(wǎng)絡(luò)Paddle
實(shí)現(xiàn)
3.5算法提升與改進(jìn)
3.5.1進(jìn)階的分類模型
3.5.2目標(biāo)檢測(cè)
第4章2018賽題——商家招牌
分類
4.1賽題解析
4.1.1賽題介紹
4.1.2數(shù)據(jù)介紹
4.1.3評(píng)估指標(biāo)
4.1.4賽題分析
4.2目標(biāo)檢測(cè)基礎(chǔ)介紹
4.2.1目標(biāo)檢測(cè)概述
4.2.2模型調(diào)研
4.2.3經(jīng)典二階段目標(biāo)
檢測(cè)算法
4.2.4經(jīng)典一階段目標(biāo)
檢測(cè)算法
4.3數(shù)據(jù)處理
4.3.1數(shù)據(jù)預(yù)處理
4.3.2數(shù)據(jù)加載
4.3.3數(shù)據(jù)增強(qiáng)
4.4算法提升與改進(jìn)
4.4.1比賽模型
4.4.2結(jié)果分析與改進(jìn)
第5章2019賽題——基于衛(wèi)星遙感影
像和用戶行為的城市區(qū)域
功能分類
5.1賽題解析
5.1.1賽題介紹
5.1.2數(shù)據(jù)介紹
5.1.3評(píng)估指標(biāo)
5.1.4賽題分析
5.2多模態(tài)分類基礎(chǔ)介紹
5.2.1算法架構(gòu)
5.2.2模型融合
5.3多模態(tài)數(shù)據(jù)探索
5.3.1文本和圖像數(shù)據(jù)的
讀取
5.3.2數(shù)據(jù)分析
5.3.3特征工程
5.4城市區(qū)域功能分類
5.4.1遙感影像分類
5.4.2用戶到訪數(shù)據(jù)分類
5.5城市區(qū)域功能分類特征優(yōu)化
5.5.1區(qū)域→用戶→區(qū)域的
特征構(gòu)建
5.5.2區(qū)域→區(qū)域的
特征構(gòu)建
5.6模型提升與改進(jìn)
第6章2020賽題——高致病性傳染病的
傳播趨勢(shì)預(yù)測(cè)
6.1賽題解析
6.1.1賽題介紹
6.1.2數(shù)據(jù)介紹
6.1.3評(píng)估指標(biāo)
6.1.4賽題分析
6.2時(shí)間序列建?；A(chǔ)方法介紹
6.2.1時(shí)間序列模型簡(jiǎn)介
6.2.2GBDT簡(jiǎn)介
6.3數(shù)據(jù)及特征工程
6.3.1特征選擇
6.3.2特征構(gòu)建
6.3.3回歸值預(yù)處理
6.4城市每日新增感染人數(shù)
預(yù)測(cè)算法
6.4.1特定數(shù)值填充
6.4.2時(shí)間序列模型
6.4.3SEIR模型
6.5區(qū)域每日新增感染人數(shù)
占比預(yù)測(cè)算法
6.5.1回歸數(shù)據(jù)生成
6.5.2區(qū)域新增感染人數(shù)
占比預(yù)測(cè)
6.5.3實(shí)驗(yàn)結(jié)果分析
6.6模型提升與改進(jìn)
第7章2021賽題——基于車載影像的
實(shí)時(shí)環(huán)境感知
7.1賽題解析
7.1.1賽題介紹
7.1.2數(shù)據(jù)介紹
7.1.3評(píng)估指標(biāo)
7.1.4賽題分析
7.2目標(biāo)檢測(cè)與圖像分割
基礎(chǔ)介紹
7.2.1目標(biāo)檢測(cè)概述
7.2.2圖像分割概述
7.2.3常用語義分割算法
UNet與DeepLabV3
7.2.4UNet代碼實(shí)踐解析
7.3交通目標(biāo)檢測(cè)任務(wù)
7.3.1目標(biāo)檢測(cè)任務(wù)解析與
數(shù)據(jù)探索
7.3.2數(shù)據(jù)預(yù)處理
7.3.3目標(biāo)檢測(cè)基準(zhǔn)模型： 
Yolov5
7.3.4算法模型與改進(jìn)
7.4交通劃線語義分割任務(wù)
7.4.1語義分割任務(wù)解析與
數(shù)據(jù)探索
7.4.2數(shù)據(jù)預(yù)處理
7.4.3語義分割基準(zhǔn)
模型HRNet
7.4.4算法模型與改進(jìn)
7.5算法結(jié)果分析與改進(jìn)策略
7.5.1算法改進(jìn)策略及評(píng)估
指標(biāo)提升
7.5.2算法推理加速策略
7.5.3總結(jié)
第8章2022賽題——“一帶一路”重點(diǎn)
語種法俄泰阿與中文互譯
8.1賽題解析
8.1.1賽題介紹
8.1.2數(shù)據(jù)介紹
8.1.3評(píng)估指標(biāo)
8.1.4賽題分析
8.2機(jī)器翻譯基礎(chǔ)介紹
8.2.1機(jī)器翻譯概述
8.2.2經(jīng)典機(jī)器翻譯模型
8.2.3經(jīng)典機(jī)器翻譯預(yù)
訓(xùn)練模型
8.3比賽方法——基于領(lǐng)域漸進(jìn)性的
可持續(xù)多語言翻譯訓(xùn)練方案
8.3.1數(shù)據(jù)收集與預(yù)處理
8.3.2雙語平行語料構(gòu)建
8.3.3多語翻譯模型
選擇與改進(jìn)
8.3.4領(lǐng)域漸進(jìn)可持續(xù)
訓(xùn)練方法
8.4算法結(jié)果分析與高金策略
8.4.1結(jié)果分析
8.4.2高金策略——多模型
集成方法
8.4.3總結(jié)
第9章2023賽題——社交網(wǎng)絡(luò)中多
模態(tài)虛假信息甄別
9.1賽題解析
9.1.1賽題介紹
9.1.2數(shù)據(jù)介紹
9.1.3評(píng)估指標(biāo)
9.1.4賽題分析
9.2模型基礎(chǔ)介紹
9.2.1虛假信息甄別
任務(wù)概述
9.2.2大語言模型概述
9.2.3多模態(tài)大模型概述
9.2.4ViT與ERNIE
9.2.5ERNIE代碼實(shí)踐解析
9.3比賽方法
9.3.1任務(wù)解析
9.3.2數(shù)據(jù)處理
9.3.3模型方法
9.3.4成果提交與推理
9.3.5實(shí)驗(yàn)結(jié)果
9.4模型改進(jìn)與總結(jié)
9.4.1模型改進(jìn)
9.4.2總結(jié)
參考文獻(xiàn)