Kaggle大神们，如何致胜？
在本次调查中，作者总共统计了16个平台上的83场竞赛，得出几个重要结论：
1. 在所有竞赛中，Kaggle上的竞赛数量仍然占据1/3，而且奖金数量占270万美元总奖金池的一半；
2. 在所有比赛中，有67场比赛是在前5大平台（Kaggle、AIcrowd、Tianchi、DrivenData 和 Zindi）上举行的，有8场比赛是在去年只举办了一场比赛的平台上举行的；
3. 几乎所有的冠军都使用了Python，只有一个冠军使用了C++；
4. 77%的深度学习解决方案使用了PyTorch（去年高达72%）；
5. 所有获奖的CV解决方案都使用了CNN；
6. 所有获奖的NLP解决方案都使用了Transformer。
另外，在经典机器学习问题中，Catboost、LightGBM等梯度提升模型占据主流。
比如，在一个室内定位和导航的Kaggle竞赛中，选手需要设计算法，基于实时传感器数据预测智能手机在室内的位置。冠军解决方案考虑了三种建模方法：神经网络、LightGBM和K-Nearest Neighbors。但在最后的pipeline中，他们只用LightGBM和K-Nearest Neighbours达到了最高分。
#竞赛 #算法 #机器学习 #人工智能 #AIcrowd #Tianchi #DrivenData #Zindi
#Python #PyTorch #CNN #CV #NLP #Transformer #Catboost #LightGBM
在本次调查中，作者总共统计了16个平台上的83场竞赛，得出几个重要结论：
1. 在所有竞赛中，Kaggle上的竞赛数量仍然占据1/3，而且奖金数量占270万美元总奖金池的一半；
2. 在所有比赛中，有67场比赛是在前5大平台（Kaggle、AIcrowd、Tianchi、DrivenData 和 Zindi）上举行的，有8场比赛是在去年只举办了一场比赛的平台上举行的；
3. 几乎所有的冠军都使用了Python，只有一个冠军使用了C++；
4. 77%的深度学习解决方案使用了PyTorch（去年高达72%）；
5. 所有获奖的CV解决方案都使用了CNN；
6. 所有获奖的NLP解决方案都使用了Transformer。
另外，在经典机器学习问题中，Catboost、LightGBM等梯度提升模型占据主流。
比如，在一个室内定位和导航的Kaggle竞赛中，选手需要设计算法，基于实时传感器数据预测智能手机在室内的位置。冠军解决方案考虑了三种建模方法：神经网络、LightGBM和K-Nearest Neighbors。但在最后的pipeline中，他们只用LightGBM和K-Nearest Neighbours达到了最高分。
#竞赛 #算法 #机器学习 #人工智能 #AIcrowd #Tianchi #DrivenData #Zindi
#Python #PyTorch #CNN #CV #NLP #Transformer #Catboost #LightGBM
展开
2
1
![[不失礼貌的微笑]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_16.9d17f6d.png)