Senior Data Scientist, NVIDIA
Incontra i Kaggle Grandmaster di NVIDIA (KGMoN) e scopri come utilizzano la scienza dei dati accelerata per creare sistemi recommender vincenti, prevedere i tassi di degradazione nelle molecole di RNA, identificare il melanoma nelle immagini diagnostiche e altro ancora.
Senior Data Scientist, NVIDIA
Senior Data Scientist, NVIDIA
Data Scientist, NVIDIA
Principal Systems Software Engineer presso NVIDIA
Data Scientist, NVIDIA
Distinguished Engineer, NVIDIA
Senior Data Scientist, NVIDIA
Senior Data Scientist, NVIDIA
Marzo e maggio 2022
In due diverse competizioni, il team ha usato l'elaborazione del linguaggio naturale per analizzare elementi di scrittura argomentativa di studenti e ha identificato frasi chiave in appunti sui pazienti da esami di specializzazione in medicina
Giugno 2021
Il team NVIDIA Merlin e KGMON ha ottenuto il 1° posto nella RecSys Challenge 2021 prevedendo in modo efficace le probabilità di coinvolgimento degli utenti in un ambiente dinamico e fornendo consigli adeguati su un dataset di milioni di dati.
Marzo 2021
In questa sfida per sistemi recommender, l'obiettivo era utilizzare un dataset basato su milioni di prenotazioni di alloggi reali anonime per elaborare una strategia atta a consigliare la prossima destinazione agli utenti, in tempo reale.
Marzo 2021
Guarda questo video sulla storia e lo stato attuale dell'elaborazione del linguaggio naturale e le buone prassi per utilizzare i trasformatori Hugging Face in quattro competizioni differenti.
Ottobre 2020
In questa competizione, ai team è stato chiesto di sviluppare modelli di machine learning e progettare regole per la degradazione dell'RNA. I modelli dovevano prevedere i probabili tassi di degradazione su ciascuna base di una molecola di RNA, addestrati con il sottoinsieme di un dataset Eterna costituito da oltre 3000 molecole di RNA (che abbracciano un'infinità di sequenze e strutture), e i loro tassi di degradazione in ciascuna posizione.
Settembre 2020
In questa sfida per il riconoscimento di punti di riferimento, il team ha dovuto costruire modelli che riconoscono il punto di riferimento corretto (se presente) in un dataset di immagini di test complesse. Più facile a dirsi che a farsi, dato che il riconoscimento dei punti di riferimento contiene un numero molto maggiore di classi. Ad esempio, c'erano più di 81.000 classi in questa competizione.
Agosto 2020
In questa competizione, il team ha dovuto creare modelli ML per identificare le lesioni cutanee dalle immagini dei pazienti e individuare le immagini con le maggiori probabilità di rappresentare un melanoma. Il modello ML vincente è stato in grado di identificare il melanoma prima e in modo più accurato rispetto a una visita dermatologica media.
La serie Grandmaster è una serie di video informativi mensili per i data scientist. In ogni episodio, alcuni esperti mondiali di scienza dei dati condividono intuizioni, best practice e nozioni apprese nelle recenti competizioni. Sintonizzati e scopri come applicare le loro conoscenze alle tue sfide di scienza dei dati.