使用PyCaret和PaddlePaddle融合模型进行预测，当前取得第六名，适合参赛的朋友参考和使用。

Representation Learning on Networks 1) Node embeddings：Map nodes to low dimensional embeddings 2) Graph neural networks：Deep learning architectures for graph structured data 3) Applications

这是 ShowMeAI 持续分享的重磅报告系列！《State of AI Report 2022》是一份发布于2022年10月的报告，作者Nathan Benaich和Ian Hogarth从Research、Industry、Politics、Safety等四个方面，对2022年的发展做了汇总梳理，并对新一年的发展进行了预测。完整报告 114 页。 ◉ 内容要点： ① 大厂实验室走向封闭，但是新的独立研究实验室正在迅速开源。虽然 AI 研究呈现集中趋势，但计算与访问成本的降低催生了走在研究最前沿的小型实验室（如 Stability.AI 和 Midjourney）。 ② 人工智能研究越来越关注安全领域。安全研究人员在大型 AI 实验室的安全研究人员，由去年的不到100人增长为300人，这也有望提升安全学者的认可度。 ③ 中美人工智能研究差距继续扩大，自2010年以来，中国机构发表的论文数量是美国机构的4.5倍，明显超过美国、印度、英国和德国的总和。 ④ 人工智能驱动的科学研究继续取得突破，但数据泄漏等重大方法错误需要进一步调查，否则会导致 AI 危机的日益严重。

这是 ShowMeAI 持续分享的速查表系列！本速查表是《数据科学家学习路线图》，作者与硅谷多家顶级科技公司的高级数据科学家、数据科学经理们进行了交谈，并从这些对话中总结了经验，绘制了这张路线图。每个有兴趣进入数据科学领域的人，可以根据这张路线图有目标和重点地进行学习。

这是 ShowMeAI 持续分享的速查表系列！《2022年人工智能专家成长路线图》是一组图表，展示了成为数据科学、机器学习工程师或人工智能专家的成长路径，包含数据科学路线图、机器学习路线图、深度学习路线图、数据工程师路线图、大数据工程师路线图等 7 个主题，可视化效果非常酷炫！

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：本书对不确定条件下的决策算法作了广泛的介绍，内容涵盖了与决策有关的各种主题，介绍了基本的数学问题公式和解决这些问题的算法。 ◉ 目录： 第一部分：概率推理 - 表征 - 推理 - 参数学习 - 结构学习 - 简单决策 第二部分：顺序问题 - 精确解法 - 近似值函数 - 在线规划 - 政策搜索 - 政策梯度估计 - 政策梯度优化 - 角色批判方法 - 政策验证 第三部分：模型的不确定性 - 探索和利用 - 基于模型的方法 - 无模型的方法 - 模仿学习 第四部分：状态的不确定性 - 信念 - 准确的信念状态规划 - 离线信念状态规划 - 在线信念状态规划 - 控制器抽象 第五部分：多Agent系统 - 多Agent推理 - 序列问题 - 状态的不确定性 - 协作代理

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『计算机视觉和深度学习精选专题』主题（其他部分的下载链接见评论区），包含以下部分： Object Detection / Segmentation（目标检测，目标分割） Generative Modeling: GANS and VAEs（生成模型） Data Imbalance（数据不平衡） Few-Shot Learning Explainable AI（可解释人工智能） Security / Adversarial Attacks Efficient Deep Learning（高效深度学习） 3D Deep Learning（3D深度学习） Full Stack Deep Learning（全栈深度学习） Machine Learning Implementation（机器学习实现）

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『计算机视觉和深度学习基础』主题（其他部分的下载链接见评论区），包含以下部分： Low Level / Classical Techniques in Vision And Image Processing（视觉和图像处理中的低层次/经典技术） Deep Learning Fundamentals（深度学习基础） Seminal & Foundational Topics in Deep Learning（深度学习中的标志性和基础性课题） Neural Networks Designed for Sequential Data （为序列数据设计的神经网络 Transfer Learning（迁移学习） Unsupervised & Self-Supervised Learning（无监督和自我监督的学习）

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『计算机科学』主题（其他部分的下载链接见评论区），包含以下部分： PL Fundamentals（PL基础知识） Data Structures & Algorithms（数据结构和算法） Bit Manipulations（位操作） Time/Space Complexity（时间/空间复杂度）

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：《The Design of Approximation Algorithms》整理自哥本哈根大学同名课程的教学资料。书籍围绕近似算法的几个核心算法技术展开，包括贪婪和局部搜索算法、动态编程、线性和半无限编程以及随机化。资料第一部分的每一章都专门讨论一种算法技术，然后将其应用于几个不同的问题。第二部分重温了这些技术，但对它们进行了更复杂的处理。 ◉ 目录： 贪婪算法和局部搜索 舍入数据和动态编程 线性程序和确定性舍入 线性程序的随机抽样和随机舍入 半定约程序的随机舍入 原始二元法 多路切割问题 随机抽样、优先抽样 心数估计 多数据集的总结 有序数据的总结 乘法权重 在线算法