Den populære ML-olympiaden er tilbake for tredje runde med over 20 maskinlæringskonkurranser på Kaggle.

ML Olympiad – organisert av grupper som ML GDE, TFUG og andre ML-miljøer – har som mål å gi utviklere praktiske muligheter til å lære og praktisere maskinlæringsferdigheter ved å takle virkelige utfordringer.

I løpet av de to foregående rundene har imponerende 605 lag deltatt i 32 konkurranser, noe som har generert 105 diskusjoner og 170 notatbøker.

Årets program omfatter utfordringer på områder som helsevesen, bærekraft, naturlig språkbehandling (NLP), datasyn og mye mer. Konkurransene arrangeres av ekspertgrupper og utviklere fra hele verden.
Her er årets utfordringer:

Deteksjon av røyking hos pasienter
Denne konkurransen arrangeres av Rishiraj Acharya (AI/ML GDE) i samarbeid med TFUG Kolkata, og går ut på å forutsi røykestatus ved hjelp av ML-modeller for biosignaler.

TurtleVision-utfordringen
Denne konkurransen, som arrangeres av Anas Lahdhiri under MLAct, går ut på å utvikle en klassifiseringsmodell for å skille mellom maneter og plastforurensning i havbilder.

Oppdage hallusinasjoner i LLM-er
Luca Massaron (AI/ML GDE) presenterer en unik utfordring som går ut på å identifisere hallusinasjoner i svarene fra en Mistral 7B-instruksjonsmodell.

ZeroWasteEats
Anushka Raj, sammen med TFUG Hajipur, søker ML-løsninger for å redusere matsvinn, et kritisk problem i dagens verden.

Forutsi velvære
Denne konkurransen, som arrangeres av Ankit Kumar Verma og TFUG Prayagraj, går ut på å forutsi prosentandelen kroppsfett hos menn ved hjelp av multiple regresjonsmetoder.

Offbeats-utgaven
Ayush Morbar fra Offbeats Byte Labs inviterer deltakerne til å bygge en regresjonsmodell for å forutsi alderen på krabber.

Været i Nashik
TFUG Nashik utfordrer deltakerne til å forutsi været i Nashik i India ved hjelp av maskinlæringsteknikker.

Forutsi skader etter jordskjelv
Usha Rengaraju presenterer en oppgave som går ut på å forutsi omfanget av skader på bygninger forårsaket av jordskjelv, basert på ulike faktorer.

Prognoser for været i Bangladesh
TFUG Bangladesh (Dhaka) har som mål å forutsi nedbør, gjennomsnittstemperatur og regnværsdager for en bestemt dag i Bangladesh.

Utfordring i å forutsi CO2-utslipp

Md Shahriar Azad Evan og Shuvro Pal fra TFUG North Bengal forsøker å forutsi CO2-utslipp per innbygger for 2030 ved hjelp av globale utviklingsindikatorer.

AI og ML Malaysia
Kuan Hoong (AI/ML GDE) utfordrer deltakerne til å forutsi status for lånegodkjenning, noe som er et viktig aspekt ved finansiell inkludering.

Bærekraftig byliv
Ashwin Raj og BeyondML gir deltakerne i oppgave å forutsi boligers beboelighet, noe som fremmer bærekraftig byutvikling.

Deteksjon av giftig språk (PTBR)
Denne utfordringen, som Mikaeri Ohana, Pedro Gengo og Vinicius F. Caridá (AI/ML GDE) arrangerer på brasiliansk portugisisk, går ut på å klassifisere giftige tweets.

Forbedring av katastrofeberedskapen
Yara Armel Desire fra TFUG Abidjan inviterer deltakerne til å forutsi humanitære bidrag i forbindelse med katastrofer verden over.

Trafikktetthet i byer
Kartikey Rawat fra TFUG Durg etterlyser utvikling av prediktive modeller for å estimere trafikktetthet i urbane områder.

Kjenn din kundes mening
TFUG Surabaya presenterer en utfordring med å klassifisere kundenes meninger i kategorier på Likert-skalaen.

Prognoser for Indias vær
Mohammed Moinuddin og TFUG Hyderabad gir deltakerne i oppgave å forutsi temperaturer for bestemte måneder i India.

Mester i klassifisering
Denne konkurransen, som arrangeres av TFUG Bhopal, går ut på å utvikle klassifiseringsmodeller for å forutsi hvor ondartet en svulst er.

AI-drevet generator for stillingsbeskrivelser
Akaash Tripathi fra TFUG Ghaziabad utfordrer deltakerne til å bygge et system som automatisk genererer stillingsbeskrivelser ved hjelp av generativ AI og chatbot-grensesnitt.

Maskinoversettelse fra fransk til wolof
GalsenAI utfordrer deltakerne til å oversette franske setninger nøyaktig til wolof, og tilbyr en plattform for å forbedre oversettelsesevnen.

Vannkartlegging ved hjelp av satellittbilder

Taha Bouhsine fra ML Nomads gir deltakerne i oppgave å kartlegge vann ved hjelp av satellittbilder for å oppdage damtørke.

Google støtter hver enkelt deltaker i denne runden gjennom programmet Google for Developers.

Deltakerne oppfordres til å søke etter “ML Olympiad” på Kaggle, følge #MLOlympiad på sosiale medier og engasjere seg i de konkurransene som interesserer dem mest.

Med et så mangfoldig utvalg av reelle maskinlæringsutfordringer er ML Olympiad en utmerket mulighet for utviklere til å sette ferdighetene sine på prøve og få verdifull erfaring.