超级会员免费看
本文回顾了机器学习Hikeathon，重点介绍了比赛中数据科学家如何应对图形数据挑战，尤其是特征工程的重要性。Hikeathon提供了处理大规模数据和非表格数据的机会，参与者运用创新方法解决社交网络链接预测问题。排名前三的选手分别采用了不同的特征工程策略，包括余弦相似度、图特征计算和负样本处理等，这些方法展示了在面对复杂问题时的创造性解决方案。
Introduction
我们发现自己在机器学习中使用表格数据的时间占90-95％。 在机器学习黑客马拉松中，这个数字甚至更高。 你还记得上一次你在做一个你想过的挑战吗 - “我之前没见过这种数据！”
使用图表数据是一项独特的挑战。 这就是为什么我们很高兴上个月与Hike合作主持ML Hikeathon。 我们的社区也喜欢它 - 来自世界各地的5300多名数据科学家参加了为期9天的活动！
通过参与这个黑客马拉松，有很多值得欣赏和获益，包括：
- 处理和使用大数据
- 如何处理非表格数据问题
- 在不同的域上工作 - 我们经常遇到图形问题
- 了解图表在行业环境中的运作方式 - 远足是其领域的领导者之一
如果你没有参加ML Hikeathon，你错过了很多乐趣！ 但不要担心 - 转向我们的 DataHack platform 并参加即将到来的黑客马拉松和练习问题。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
