数据挑战：2021年 在本届年度PHME数据挑战赛中，邀请参与者演示最新算法和模型的应用，以对制造生产线进行故障检测，分类和根本原因识别。 与瑞士电子和微技术中心（CSEM）合作，为此次比赛提供了对真实工业测试台生成的丰富数据集的专有访问权。 有关数据挑战及其注册的更多信息，请访问网页。 在这里，我们将发布数据集和基本的jupyter笔记本。 由于训练和验证数据集的大小，我们将实验分为两个不同的文件夹。 要获取访问实验的密码，请通过注册数据挑战。 新增：现在可以下载用于验证主要任务的数据质询性能的管道！ TestPerformance.ipynb提供了运行完整管道的Python代码。 团队必须用他们的代码替换TestClassification原型内的当前代码。 团队必须保持输入和输出以及TestClassification函数的名称不变。 Data /包含一个输入文件作为示例，

AEC挑战 ICASSP 2021声学回声消除挑战赛旨在激发声学回声消除（AEC）领域的研究，该领域是语音增强的重要组成部分，仍然是音频通信和会议系统中的头号问题。 许多最近的AEC研究报告了综合数据集的合理性能，其中训练样本和测试样本来自相同的基础分布。 但是，AEC的性能通常会在实际录制时显着降低。 同样，在现实环境中存在背景噪声和混响的情况下，大多数常规客观指标（例如回声回波损耗增强（ERLE）和语音质量的感知评估（PESQ））与主观语音质量测试没有很好的关联。 在这一挑战中，我们开放了两个大型数据集，以在单人交谈和双方交谈场景下训练AEC模型。 这些数据集包括来自真实环境中2500多个真实音频设备和人类说话者的录音，以及合成数据集。 我们开放了基于的在线主观测试框架，供研究人员快速测试其结果。 该挑战赛的获胜者将根据在所有不同的单通话和通话情景下获得的平均P.808平均意见得分（M

ML TrueLayer挑战 安装说明 使用Anaconda创建一个新环境（从下载并安装）： conda create -n truelayer python=3.7 激活环境： conda activate truelayer 从requirements.txt安装软件包： conda install --file requirements.txt 安装NLTK停用词，运行Python解释器并输入以下命令： import nltk nltk . download () 并从界面中选择停用词。 如何重现结果 IPython笔记本用于浏览数据，功能和可能的解决方案：它们可以运行以生成图像和探索表。 Python脚本包含代码的最终版本： python train.py ：加载和预处理MovieLens公共数据集，训练模型并将其存储在models /中。 此外，它还会执行超参数网格

该项目将三个数据集整合在一起，力图提供关键数据点的交互式可视化显示。 气泡图是基于动态创建的-使用JavaScript，HTML和CSS，以及D3.js。 该图表是对屏幕尺寸的响应。 通过将鼠标悬停在气泡上可以获得气泡的详细数据，用户可以通过转换为柠檬绿来验证选择了哪个气泡。 由于气泡重叠，因此决定不对每个气泡进行静态标记。： 要查看JavaScript代码，请执行以下操作： 要查看HTML代码，请执行以下操作：

D3挑战 该项目正在根据美国人口普查局和行为风险因素监视系统提供的信息，为其中一个专题报纸的故事（针对特定人口统计学面临的健康风险）创建交互式可视化。 该挑战中使用的数据集基于美国人口普查局2014年ACS对1年的估算。 当前数据集包括按州划分的收入，肥胖，贫困等比率的数据。 教育部代表“误差范围”。 挑战利用HTML，JavaScript和D3.js。

python challenge习题答案，蛮有意思的

2018-PHM-数据挑战 2018 phm数据挑战，离子磨机RUL和故障诊断

TianChi Diabetes Game 大赛网址： Introduction 天池精准医疗大赛，其分为三个阶段初赛、复赛和决赛。初赛的题目是针对2型糖尿病的回归问题，根据受检者的体检数据和临床信息对血糖值进行预测。复赛的题目是针对妊娠糖尿病的二分类问题，通过体检信息和基因信息预测出是否患有妊娠糖尿病。决赛是在现场进行答辩。 本人是积极向上团队中的队员，积极向上团队再精准医疗大赛中取得了初赛top-11和复赛top-6的成绩。当前代码仓库仅仅包含了本人参赛中的思路和代码，当公布初赛结果时，我发现初赛预测结果比我们提交的效果更好，后来也没有仔细分析，仅仅把当时的代码稍微整理一下。团队复赛最终提交版的天池社区技术圈：。 Path TianChi-Diabetes | |-- preliminary：初赛代码 | |-- repecharge：复赛代码 Preliminary 预处理：矩阵补全

脑电图机器学习挑战 EEG 机器学习挑战赛，Python 和 MATLAB（学者项目，2015） 本次挑战的目标包括根据 30 秒的 EEG 信号确定正确的睡眠阶段（W、R、N1、N2、N3）； 数据集分别包含 10178 和 10087 个 EEG 用于训练和测试。 特征提取 首先，我编写了自己的Python脚本（参见： : ），在学校网络上应用分布式并行计算。 它将特征的计算时间除以超过 100。超过 100。 PyEEG / PyREM / MNE 感谢 PyEEG 库，我提取了这些特征： DFA：去趋势波动分析 PFD：Petrosian 分形维数 hjorth：Hjorth 移动性和复杂性 ApEn：近似熵 SampEn：样本熵（SampEn） hfd：樋口分形维数 费舍尔信息：费舍尔信息 SVD：SVD熵 bin power & bin power ratio：由

该存储库包含用于训练最新技术的心脏分割网络的代码，如本文所述：。 修改后的U-Net架构在MICCAI 2017 赛中获得第三名。 作者： 克里斯蒂安·鲍姆加特纳（） 丽莎·科赫（） 如果您发现此代码对您的研究有所帮助，请引用以下文章： @article{baumgartner2017exploration, title={An Exploration of {2D} and {3D} Deep Learning Techniques for Cardiac {MR} Image Segmentation}, author={Baumgartner, Christian F and Koch, Lisa M and Pollefeys, Marc and Konukoglu, Ender}, journal={arXiv preprint arXiv:1709.044