Хакатоны

 

Конкурс НЛМК. «Прогнозирование износа валков прокатного стана горячей прокатки»

Аудитория 4.25

Подробное описание наKaggle

Необходимое ПО: Python, Anaconda (sklearn), Excel

Аннотация. Обработка металла на стане горячей прокатки разбита на партии. После каждой партии стан останавливается, и все валки заменяются. Отработанные валки отправляются на шлифовку для удаления дефектов и приведения поверхности валка к необходимому профилю. После шлифовки валки снова устанавливаются на стан для дальнейшей работы. Валки эксплуатируются до полного износа рабочего слоя. Износ валка определяется как уменьшение диаметра валка при его эксплуатации и последующей шлифовке. Износ может зависеть от типа материала валка, места его установки и от прокатываемого сортамента. На основе статистических данных и теоретических соображений необходимо построить математическую модель износа рабочих валков и спрогнозировать износ валков после каждой партии.

Конкурс лаборатории Когнитивных динамических систем МФТИ, «Computer vision and reinforcement learning»

Аудитория 4.24

Registration, Presentation, GitHub

Abstract. Creation of an improved program for the accident-free movement of a car at an unregulated crossroad using video from an unmanned aerial vehicle. This will require the usage of deep learning approaches to recognize cars on the images and reinforcement training to plan their movement.

 

Конкурс Huawei. «Обучение функции похожести для дескрипторов лица»

Registration, Presentation, Kaggle, GitHub, Telegram

Задача: Придумать и реализовать метрику (функцию похожести), которая давала бы лучший процент распознавания (идентификации\верификации) лиц на фотографиях по сравнению с опорным методом вычисления L2.

Описание: Современные методы распознавания (идентификации) в основном используют следующую парадигму: с помощью глубокой нейросети изначально извлекается вектор (дескриптор) объекта (например, фотографии), после чего на основе простой метрики (например, L2 в евклидовом пространстве) выбирается ближайший (-ие) из множества заранее полученных с помощью той же нейросети дескрипторов других объектов, среди которых мы и будем искать пару запрос<->БД. Для систем верификации применяется метрика между дескриптором объекта-запроса и заранее вычисленного для этого же объекта шаблона-дескриптора, после чего применяется решение о совпадении объектов на основе сравнения этой метрики с неким порогом.

Язык программирования: Python 3.