1.李宏毅2023机器学习作业HW04解析和代码分享
2.COVID-19 X光医疗数据可视化的冠军冠军笔记

李宏毅2023机器学习作业HW04解析和代码分享

       MLSpring - HW4 相关信息：课程主页、课程视频、源码Kaggle链接、代码Sample代码、冠军冠军GitHub、源码Gitee、代码原始密源码GitCode。冠军冠军即便Kaggle截止时间已过，源码你仍可在其上提交并查看分数。代码但需注意，冠军冠军应于截止前选择两个结果进行最后的源码Private评分。每年数据集大小与特性虽有细微差别，代码但基本一致，冠军冠军旧代码适用于新一年的源码作业。

       任务目标：多类分类，代码性能指标：分类准确度。

       数据解析：数据来自VoxCeleb2子集，随机选取了个演讲者。

       基线：简单基线（0.），eletron源码中等基线（0.），在total_steps=时，public_score达到0.。简单参考Optuna进行模型自动调参。

       强基线（0.）、Boss基线（0.）。未在PDF中给出Boss基线具体分数，分数来源于Kaggle。模块未显著提升效果，mtklogger 源码代码中使用全局变量决定是否使用，欢迎大家提出改进意见。

       消融研究：Self-Attention Pooling与AMSoftmax在epoch=,下的实验。AMSoftmax接受pred_layer输出，尝试接受encoder输出并重新训练全连接层，但效果不佳，可能为代码问题。

       成绩：使用Transformers变体完成Strong基线的提示是转变为Conformer。简单介绍了其模型架构，asiagaming 源码推荐Pytorch版本源代码。架构包括：SpecAug、Convolution Subsampling、Linear & Dropout、Conformer Block。每个Module使用了残差连接。

COVID- X光医疗数据可视化的笔记

       在全球COVID-危机中，前线医护人员的辛勤付出令人敬佩。非医学背景的源码吾爱我，希望能尽一份力，于是我在知名数据平台KAGGLE上挖掘了关于COVID- X光医疗的数据，并以此为基础，制作了一篇关于X光肺炎识别的可视化笔记。

       首先，我利用高效的算力赞助平台Featurize，该平台提供了经济实惠的GPU资源，并集成了方便的vscode编辑器，解决了我在使用jupyter时的编辑需求。

       进入正题，数据集检查是关键。annotations包含了关于X光图像的重要信息，通过可视化数据分布，我们可以了解数据的均衡性，可能需要调整进一步处理中的权重分配。

       接着，我们直观地展示了负样本X光，以帮助理解它们的特性，为数据增强提供方向。在构建基础模型时，我参考了arxiv.org/abs/....这篇论文。

       训练过程中，我特别关注了损失函数和准确率的变化，尤其是在医疗任务中，召回率往往比精度更为重要，因为我们不希望漏掉任何潜在的病例。

       最后，附上源代码链接：featurize.cn/notebooks/...，包括数据集，考虑到KAGGLE下载速度问题，一并分享。期待各位专业人士的宝贵意见，无论是修改代码、贡献想法还是提出建议，我都非常欢迎。

       让我们共同努力，世界和平，战胜疫情。