← 开源
HuangCongQing

AI_competitions

AI比赛相关信息汇总

ListsUse cases
在 GitHub 打开
增长势头
+024 小时新增 Star0.0%
659
Star
120
Fork
+0
本周
1
贡献者
创建于 2018-06-08 · 更新于 2026-10-15 · 今日第 15363 名
主要开发者

HuangCongQing/AI_competitions 排名第 15,363,有 659 个星标。

同类别比较

HuangCongQing/AI_competitions 排名第 15,363,此处有 8 个同类条目;reasoning-survey/Awesome-Reasoning-Foundation-Models 排名第 15,359。

同类别比较
名称排名指标
MarcosSete/awesome-free-ai-course-notes15,295
星标数:
664
分叉数:
58
简介:
A curated collection of machine learning and AI lecture notes from the world's leading universities. This repository gives you access to the same lecture notes used by students at top institutions such as MIT, helping you learn from the very best educational resources available.
junfanz1/Awesome-AI-Review15,316
星标数:
663
分叉数:
124
简介:
Awesome AI industry & research review
murufeng/CVPR_2021_Papers15,358
星标数:
660
分叉数:
94
简介:
CVPR2021最新论文汇总,主要包括:Transformer, NAS,模型压缩,模型评估,图像分类,检测,分割,跟踪,GAN,超分辨率,图像恢复,去雨,去雾,去模糊,去噪,重建等等
reasoning-survey/Awesome-Reasoning-Foundation-Models15,359
星标数:
660
分叉数:
64
简介:
✨✨Latest Papers and Benchmarks in Reasoning with Foundation Models
nitinkaushik01/Deep_and_Machine_Learning_Projects15,374
语言:
Jupyter Notebook
星标数:
659
分叉数:
378
简介:
This Repository contains the list of various Machine and Deep Learning related projects. Related code and data files are available inside this folder. One can go through these projects to implement them in real life for specific use cases.
onejune2018/Awesome-LLM-Eval15,375
星标数:
659
分叉数:
105
简介:
Awesome-LLM-Eval: a curated list of tools, datasets/benchmark, demos, leaderboard, papers, docs and models, mainly for Evaluation on LLMs. 一个由工具、基准/数据、演示、排行榜和大模型等组成的精选列表,主要面向基础大模型评测,旨在探求生成式AI的技术边界.
benedekrozemberczki/datasets15,398
星标数:
657
分叉数:
81
简介:
A repository of pretty cool datasets that I collected for network science and machine learning research.
yhLeeee/Awesome-LLMs-in-Graph-tasks15,407
星标数:
657
分叉数:
62
简介:
A curated collection of research papers exploring the utilization of LLMs for graph-related tasks.
关键参数与规格
关键参数与规格
参数值
类别Lists
子类别Use cases
星标数659
分叉数120
贡献者1
创建日期2018-06-08
更新日期2026-10-15
1 天星标数0
7 天星标数0
排名15,363
上次排名6,675
排名变化-8,688
7 天星标排名14,955
上次 7 天星标排名14,961
7 天星标排名变化6
总星标排名15,576
上次总星标排名15,547
总星标排名变化-29
国家China
README 摘录

AI_competitions AI比赛相关 @ 双愚,若fork或star请注明来源 首发于公众号:双愚 **有什么比赛正在举行,欢迎大家提issue** 2019-05-06 发现一个国外的人工智能/数据科学比赛整理平台,有各国比赛 DataSciComp 已发布在知乎【综述】各

类人工智能&大数据相关比赛 Competitions Websites >随着近几年人工智能和大数据的快速发展和应用,使得相应的工智能&大数据相关比赛比赛近几年火热了起来,下面就我知道到的人工智能&大数据相关比赛,为

大家简要说下,感兴趣的可以参加一些比赛,锻炼一下自己,也能知道一些前沿的技术,说不定还能拿些奖金呢? 哈哈 >建议:现在AI比赛非常多,如果想学习的话,最好有针对性地选择一项比赛,深钻下

去,很多比赛也会建群讨论交流,能学到很多,而且有些还会有大佬直播答疑,赛后交流分享。 欢迎交流(* ̄︶ ̄) 公开数据集 Google数据集搜索: Datahub,分享高质量数据集平台: 用于上传和查找数据集的机器学习数据

集存储库: datafountain收集数据集: tinymind收集数据集: 看到的一篇文章,里面有介绍很多数据集的:世界上最有价值的不是石油而是数据(附数据资源下载链接) 国外 overseas 1. *kaggle*数据科学竞赛 - Competitions | *Kaggle* Kaggle号称是全球最大

的数据科学家汇聚的平台,高手云集,同时对萌新也很友好。 Kaggle 上有两个最适合新手的竞赛(**某种程度上已成为 Kaggle 的「入门教程」**): Titanic(预测生存:一种二元分类问题): 房价(预测价格:回归问题): 强烈建议你有

时间两项都尝试一下,对入门学习是很有益处的!

常见问题

记录了多少星标和分叉?

HuangCongQing/AI_competitions 有 659 个星标和 120 个分叉。

仓库排名是多少?

HuangCongQing/AI_competitions 排名第 15,363。

哪个仓库排名最接近?

HuangCongQing/AI_competitions 与 reasoning-survey/Awesome-Reasoning-Foundation-Models 比较,后者排名第 15,359,有 660 个星标。

README

AI_competitions

AI比赛相关

@ 双愚,若fork或star请注明来源 首发于公众号:双愚

Competitions Websites

随着近几年人工智能和大数据的快速发展和应用,使得相应的工智能&大数据相关比赛比赛近几年火热了起来,下面就我知道到的人工智能&大数据相关比赛,为大家简要说下,感兴趣的可以参加一些比赛,锻炼一下自己,也能知道一些前沿的技术,说不定还能拿些奖金呢?哈哈

建议:现在AI比赛非常多,如果想学习的话,最好有针对性地选择一项比赛,深钻下去,很多比赛也会建群讨论交流,能学到很多,而且有些还会有大佬直播答疑,赛后交流分享。对了,还有最好能组个队,有队友互相学习,会比单打独斗事半功倍。 欢迎交流(* ̄︶ ̄)

公开数据集

国外 overseas

1. kaggle数据科学竞赛 - Competitions | Kaggle

Kaggle号称是全球最大的数据科学家汇聚的平台,高手云集,同时对萌新也很友好。

Kaggle 上有两个最适合新手的竞赛(某种程度上已成为 Kaggle 的「入门教程」):

Titanic(预测生存:一种二元分类问题):https://www.kaggle.com/c/titanic

房价(预测价格:回归问题):https://www.kaggle.com/c/house-prices-advanced-regression-techniques

强烈建议你有时间两项都尝试一下,对入门学习是很有益处的!

2. ICME

http://www.icme2019.org/conf_challenges

http://www.icme2018.org/conf_challenges

IEEE ICME(IEEE International Conference on Multimedia and Expo)是由IEEE Computer Society、Circuits and Systems Society、 Signal Processing Society以及Communications Society共同主办的计算机多媒体领域最重要的国际会议之一,至今(2019)已连续举办18届,涵盖文本分析、图形图像、视频、语音音频等多媒体数据的处理、传输、分析与应用等主题。

国内(domestic inland )

国内是看到了AI在未来的重要性,各个公司已经相应投资者纷纷开设了很多相关的比赛及平台,下面说下我所知道的。

2. 阿里云天池大赛

2015年3月23日,阿里云计算宣布启动新一赛季的天池大数据竞赛,到目前为止,已经加入了很多,比如算法大赛,程序设计大赛,为新手准备的入门赛,还有可视化大赛,千里马大赛,创新应用大赛。门类相对来说非常齐全。 而且一般比赛持续周期很长,大家可以择机参加。

3. DF,CCF指定专业大数据竞赛平台

DF(DataFountain)的目标是构建中国最有影响力和权威度的数据科学与大数据分析处理竞赛平台。大赛的奖池规模很大,而且备考中国计算机学会这种国家学会,和很多优秀企业开办比赛,平台竞赛数量质量越来越高,CCF每年的大赛都是DF组织的,影响力挺大的,平台参与人数也挺多。

4.AI Challenger - 全球AI挑战赛

“AIChallenger全球AI挑战赛”。是由创新工场、搜狗和今日头条联合宣布三方携手发起的。 AI Challenger 全球AI挑战赛”是面向全球人工智能人才的开源数据集和编程竞赛平台,致力于满足AI人才成长对高质量丰富数据集的需求,推动AI在科研与商业领域结合来解决真实世界的问题。 2017年才举办第一期,现在2018年8月第二期开始啦。 这个比赛数据集很大,都是解决实际问题,难度较高,当然,奖金特别高,一般都是公司或者高校团队参加。

5. FlyAI-AI竞赛服务平台

新发现的一个AI竞赛平台,比赛类型分为图像,自然语言处理,语音这三块,比赛形式每提交一次代码只要符合条件就有奖金。个人觉得这种形式还是挺好的,真的有助于全民AI的氛围形成。 FlyAI 新一代AI竞赛社区 FlyAI是游戏化AI竞赛服务平台,吸引国内外优秀的AI开发者和AI需求者,让AI从科学家社区走向工程师社区。它不仅仅是开发者社区,而是未来企业个性化AI解决方案的核心,也是未来AI行业生态的起点。目前平台已注册3000人,拥有近50个AI项目(可执行代码、规范化数据、可用模型),接下来将会通过技术论坛、资讯网站、校园等途径不断发掘吸引AI人才。

6. 数据竞赛平台 - biendata

Biendata.com是一个人工智能竞赛学习平台。用户可通过该平台报名并参加人工智能领域各类赛事。 这项比赛奖金也是很丰厚的,不过也是难度较高,一般公司或者高校团队参加。 最近有一个比赛是: 中国人工智能学会 & 字节跳动 办的为字节跳动海外产品文章自动生成标题,感觉还是挺有意思的。

7. 科赛- Kesci.com

科赛(Kesci.com)是聚合数据人才和行业问题的在线社区。科赛打造的 K-Lab 在线数据分析协作平台,为数据工作者的学习和工作带来全新的体验。 比赛有简单,有难,有些有奖金,有些没有,可能知名度没有前几个高

8. 数愿大数据AI竞赛平台

致力于打造一流高度专业化大数据人工智能竞赛,挖掘优质人才和数据价值,推动项目商业化落地,助力创业者实现梦想 奖励丰厚,大多和创业相关,知名度不高,不过价值很高,可以多多参与。

8. 关注智能生活的黑客大赛GeekPwn

大赛主要聚焦人工智能安全问题

聚焦机器学习对抗训练 全球首创AI对抗样本攻防赛CAAD CTF CAAD对抗样本攻防赛是GeekPwn2018推出的全新挑战项目,聚焦人工智能领域潜在安全问题,旨在通过专业的技术比拼,选手在现场进行实时攻击与防守比赛,提前预演人工智能应用潜在的安全风险,保护人工智能健康成长。

GeekPwn2018嘉年华将于2018 年10月24日-25日在上海举行。届时CAAD 对抗样本攻防赛、数据追踪挑战赛、黑客屋挑战赛、机器特工挑战赛、PWN FOR FUN趣味挑战赛、基于漏洞和非基于漏洞挑战赛轮番上演

其他公司比赛

以上都是大家可能比较熟知的比赛平台,但也有一些公司自己举办的非常好的AI比赛平台。

其他比赛文章合集

平台

Studys

深度学习中经常看到epoch、iteration和batchsize,下面按照自己的理解说说这三个区别:

  1. batchsize:批大小。在深度学习中,一般采用SGD训练,即每次训练在训练集中取batchsize个样本训练;
  2. iteration:1个iteration等于使用batchsize个样本训练一次;
  3. epoch:1个epoch等于使用训练集中的全部样本训练一次;

举个例子,训练集有1000个样本,batchsize=10,那么: 训练完整个样本集需要: 100次iteration,1次epoch。

AI_competitions_code

Citation

If you find this project useful in your research, please consider cite:

@misc{ai_competitions2019,
    title={Summary of AI competitions at home and abroad},
    author={Chongqing, Huang},
    howpublished = {\url{https://github.com/HuangCongQing/AI_competitions/}},
    year={2019}
}

Issues

Ranking


微信公众号:【双愚】(huang_chongqing) 聊科研技术,谈人生思考,欢迎关注~

往期推荐:

  1. 本文不提供职业建议,却能助你一生
  2. 聊聊我们大学生面试
  3. 清华大学刘知远:好的研究方法从哪来

License

Copyright (c) 双愚. All rights reserved.

Licensed under the MIT License.

排名相邻
同类项目