31 2020-12

第三届技能赛A-教育平台的线上课程智能策略推荐

近年来,随着互联网与通信技术的高速发展,学习资源共享与建设呈现出新的发展趋势,多样化的线上教育平台如雨后春笋般争相涌入大众视野。尤其是在今年年初,受新冠肺炎疫情的冲击下,学生返校进行线下授课收到严重阻碍,由此,网络线上平台由此成为“互联网+教育”成果的重要发展领地,如何根据教育平台把握用户信息,掌握用户课程偏好并提供精准的远程课程推荐服务成为了线上教育的热点话题。因此,利用数据分析技术对教育平台的线上信息和用户学习信息进行研究具有重大意义。
31 2020-12

第三届技能赛B-新冠疫情数据分析

我们发现城市疫情数据表中并不是每一天都有对应的数据,有些天数的数据 是缺失的。 通过观察数据表,我们判断得到结论:缺失的数据行是因为该区域当天无新 增的确诊、死亡或是治愈病例 而若对新增病例缺失的天数进行补0 填充,会造成数据的高维稀疏,并且无 太大的意义。 因此,我们的处理方法是不对缺失的天数进行补0 填充。对应的,相应缺失 日期的累计确诊数据也并未计算。
02 2020-12

第八届挑战赛B2-基于深度学习的绝缘子缺陷检测研究

绝缘子是高压输电线路中的关键装置,主要用于支撑和固定载流导体,防止电流回地,长期裸露在室外,容易发生故障,是电力巡线中的检测对象。基于此本文以电力巡线监测中的航拍图像为研究对象,利用深度学习算法实现了航拍图像中绝缘子串分割,并对分割出的绝缘子串进行“自爆”检测。研究流程主要分为绝缘子图像分割、连通区域检测、绝缘子提取、绝缘子缺陷检测四个部分。
02 2020-12

第八届挑战赛B1-基于Mask R-CNN及Yolov4的电力巡检中绝缘子缺陷研究

输电线路是国家电力系统中负责电能输送的一个重要的组成部分。架空输电线路长期经历着电闪雷击、风吹日晒、污秽、雨雪及沉陷等外界环境的侵害。目前传统的电力巡检仍是人工巡检,新型技术 利用无人机搭载 高分辨摄像机,近距离拍摄线路及其关键部件获取航拍图像来代替人工巡检。其中,航拍图像中输电线路部件的识别及缺陷检测是关键技术也是技术难点 。本文提出一种利用Mask R-CNN技术提取绝缘子串珠的掩膜图像、采用Yolo-v3和Yolo-v4进行对照,通过神经网络模型对其绝缘子自爆区域进行特征提取,特征判断,识别定位 。
02 2020-12

第八届挑战赛C2-基于BERT深度语言模型的“智慧政务”文本挖掘应用

本文基于近年来语言智能的里程碑技术BERT深度语言模型围绕“智慧政务”文本挖掘的主题 完成了(1)留言自动分类、(2)热点问题挖掘、(3)答复意见质量评价3项工作。在任务(1)上BERT模型在测试集上的F-score达到了92.89%,明显优于基线模型LSTM与Fasttext。在任务(2)上,我们创新提出了基于Affinity Propagation的算法对留言进行初步聚类,再通过命名实体识别进一步过滤异常值的策略。
02 2020-12

第八届挑战赛C1-基于卷积神经网络及集成学习的网络问政平台留言文本挖掘与分析

互联网的快速发展为政府服务带来了极大的便利,网络问政平台积累了大量反映社情民意的文本数据,对这些数据应用自然语言处理技术与文本挖掘能大大提升政府的管理水平与施政效率。
25 2020-11

第八届挑战赛A-基于数据挖掘的上市公司高送转预测

“高送转”是高比例送红股或转增股本的简称,它是市场的常发事件,而且在预案公告日前一段时间有显著正的超额收益。因此投资者若能在公告前识别“高送转”事件股票,则能获得较好的投资收益。
08 2019-08

第七届挑战赛A1-机器学习优化股票多因子模型的研究与实证分析

本文以中国A股市场所有股票和Auto-Trader中十二大类500多个因子作为研究对象,利用机器学习方法对多因子选股模型进行了优化,并基于风险管理模型建立了SVM-RC多因子选股策略。首先,利用IC显著性分析从大量候选因子中甄别出选股能力最强的基础因子,进一步结合主成分分析和聚类分析构建新的选股主因子,并以此建立了多因子选股模型。
08 2019-08

第七届挑战赛A2-基于风格轮动和集成学习的多因子选股投资策略研究

我国金融市场日渐成熟,在大数据和信息化的时代特征下,国内市场的量化产品比重逐渐上升,量化投资的方式能够获得超额收益,量化投资的理念也获得了更多投资者认可,因此越来越多地被使用。量化选股是量化投资的主要内容之一,而多因子模型又是量化选股模型中应用最广泛的一种,经过国内外多年的研究发展,已经成为量化投资中比较成熟的、系统的理论,近年来在我国资本市场有着良好的发挥。风格轮动也是量化选股的重要组成部分,其中风格现象又主要包括成长、价值风格轮动和大盘、小盘风格轮动两种,本文针对大小盘风格轮动进行建模分析。
08 2019-08

第七届挑战赛A3-基于机器学习提升的轮动多因子量化选股模型

本文旨在利用基于机器学习提升的轮动多因子量化选股模型来进行选股策略的研究,通过设计挑选优秀因子的方案,获得可以准确反映市场信息的因子,使用机器学习方法,构建了可以获取稳健超额收益的选股模型。
1  2  3  4  5  ... 8