kaggle

点击上方 “ AI算法与图像处理 ”，选择加"星标"或“置顶” 重磅干货，第一时间送达 本文转载自：深度学习与计算机视觉 介绍 如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？ 如果你也遇到这些问题，那么恭喜你来对地方了。我们通过理解数百种资源来选择值得你花费时间的资源-这就是我们首先推出本文的主要原因之一。 去年，我们广泛地专注于两个技术的学习方法——机器学习和深度学习，但是我们的社区需要更细化的学习路径—— 一个结构化的计算机视觉学习路径 。 这是可以理解的，因为计算机视觉专家的需求和价值在业界遥遥领先。专门研究计算机视觉及其不同方面，你会看到大量招聘人员试图接近你。 我记得当我开始自己的计算机视觉之旅时，我同时参考了多种资源——书籍、文章(当时并不多)、YouTube视频等等。 因此，我很高兴有机会 为你整理这种结构化的计算机视觉学习路径 。在开始学习之前，让我们了解一下为简化你的学习过程而构建的框架。 我们的计算机视觉学习路径框架 每个月都要有其对应的学习结构，这是我们对每个月需要了解的不同方面进行分类的方式： 目标 ：这个月你会学到什么？关键要点是什么？你的计算机视觉之旅将如何进行？我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置 建议时间 ：你每周平均应在该部分上花费多少时间 学习资源

介绍 如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？ 如果你也遇到这些问题，那么恭喜你来对地方了。我们通过理解数百种资源来选择值得你花费时间的资源-这就是我们首先推出本文的主要原因之一。 去年，我们广泛地专注于两个技术的学习方法——机器学习和深度学习，但是我们的社区需要更细化的学习路径—— 一个结构化的计算机视觉学习路径。 这是可以理解的，因为计算机视觉专家的需求和价值在业界遥遥领先。专门研究计算机视觉及其不同方面，你会看到大量招聘人员试图接近你。 我记得当我开始自己的计算机视觉之旅时，我同时参考了多种资源——书籍、文章(当时并不多)、YouTube视频等等。 因此，我很高兴有机会为你整理这种结构化的计算机视觉学习路径。在开始学习之前，让我们了解一下为简化你的学习过程而构建的框架。 我们的计算机视觉学习路径框架 每个月都要有其对应的学习结构，这是我们对每个月需要了解的不同方面进行分类的方式： 目标 ：这个月你会学到什么？关键要点是什么？你的计算机视觉之旅将如何进行？我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置 建议时间 ：你每周平均应在该部分上花费多少时间 学习资源 ：该月你将学习的计算机视觉主题的顶级资源集合，其中包括文章，教程，视频，研究论文和其他类似资源 你可以在此处下载该学习路径的相应信息图。

介绍 本文将带领大家如何把人工智能技术带到体育项目中。 运动中的人工智能是一个很新的东西，以下是一些有趣的作品： 篮球 https://dev.to/stephan007/open-source-sports-video-analysis-using-maching-learning-2ag4 网球 https://www.researchgate.net/publication/329740964_Convolutional_Neural_Networks_Based_Ball_Detection_in_Tennis_Games 排球 https://www.tugraz.at/institute/icg/research/team-bischof/lrs/downloads/vb14/ 我是个排球迷，所以让我们来看看最后一个网站，这是一个奥地利研究所的网站，他分析了当地业余联赛的比赛数据。 其中有一些文档需要阅读，最主要的信息是视频数据集。 排球是一项复杂的运动，有许多不同的因素，所以我从一个很小但很重要的部分开始——球。 跟踪球是一项非常著名的任务。谷歌提供了很多链接，但其中有许多只是一个简单的演示。在摄像机前识别和跟踪一个彩色的大球是无法与真实的比赛用球检测相比较的，因为现实世界中的球很小，移动速度很快，而且融入了背景中。 最后，我们希望得到这样的结果： 在开始之前

12月30日，腾讯宣布其人工智能球队摘得首届谷歌足球Kaggle竞赛冠军。该冠军球队来自腾讯AI Lab研发的绝悟WeKick版本，凭借1785.8的总分在与全球顶级技术团队的竞技中以显著优势胜出。 今年11月底，腾讯AI Lab与王者荣耀联合研发的策略协作型AI绝悟升级为完全体，首次让AI精通了所有英雄的所有技能。此次绝悟WeKick版本的整体设计正是基于绝悟完全体迁移得到，并针对足球任务进行了一些针对性的调整，展现了绝悟AI背后深度强化学习方法的通用能力。 Kaggle 竞赛 google-football 排行榜前十名， 来自 https://www.kaggle.com/c/google-football/leaderboard Kaggle创立于2010年，是全球最大的数据科学社区和数据科学竞赛平台。此次足球AI比赛由Google Research与英超曼城俱乐部在Kaggle平台上联合举办。 一直以来，足球运动团队策略以其复杂性、多样性和高难度，成为长期困扰世界顶尖AI研究团队的难题，更加稀疏的游戏激励也使得其成为比MOBA游戏更难攻克的目标。今年Kaggle首次针对足球AI领域发布赛题，为深度强化学习多智能体技术竞技和基准评测提供了一个全新舞台。深度强化学习多智能体技术竞技和基准评测提供了一个全新舞台。 比赛使用Google Research

kaggle是一个国外的数据挖掘竞赛平台，大家做完竞赛之后会写一些指导，因此可以通过其他人写的指导文件进行学习， kaggle传送门 。 其中有一个入门类的分析问题是分析Titanic号的救援问题，分析哪些因素会影响到是否被救援，首先打开Titanic这个问题的具体页面， Titanic: Machine Learning from Disaster , 先看一看overview里面的description和evaluation，看看问题背景和最终需要预测的内容，然后点击数据，下载三个csv格式的数据集，第一个 train.csv 是训练集，第二个 test.csv 是测试集，第三个 gender_submission.csv 是验证集， 下载好之后打开pycharm，新建名为Titanic的工程，新建Titanic.py开始进行分析 首先，导入需要用到的包 import numpy as np import pandas as pd import matplot.pyplot as plt from pandas import DataFrame,Series 接下来导入数据 train_data = pd.read_csv('train.csv') 查看数据的信息 train_data.info() 得到的数据信息如下 <class 'pandas.core.frame

泰坦尼克号幸存预测 是本小白接触的第一个Kaggle入门比赛，主要参考了以下两篇教程： <a href="https://www.cnblogs.com/star-zhao/p/9801196.html" target="_blank"> https://www.cnblogs.com/star-zhao/p/9801196.html </a> <a href="https://zhuanlan.zhihu.com/p/30538352" target="_blank"> https://zhuanlan.zhihu.com/p/30538352 </a> 本模型在Leaderboard上的最高得分为0.79904，排名前13%。 由于这个比赛做得比较早了，当时很多分析的细节都忘了，而且由于是第一次做，整体还是非常简陋的。今天心血来潮，就当做个简单的记录（流水账）。 导入相关包： import numpy as np import pandas as pd import matplotlib.pyplot as plt import re from sklearn.model_selection import GridSearchCV from sklearn.linear_model import LinearRegression from sklearn.ensemble