今天的博客功能是一个带Azin Al Kajbaf和Kaveh Faraji，Matlab奖金获奖者的问答CLOG损失：通过摊位捕手挑战推进Alzheimer的研究

Azin Al Kajbaf和Kaveh Faraji是土兰地大学的博士生。他们的研究侧重于灾难恢复力以及对洪水和风暴浪涌等灾害的风险评估。他们的作品涉及采用概率方法，地理空间分析和机器学习方法来评估自然危害。

介绍

2020年9月，MathWorks赞助了一个数据科学挑战：CLOG损失：通过摊位捕手推进Alzheimer的研究与Drivendata合作。在这一挑战中，参与者是任务的建筑机器学习模型，可以将3D图像堆叠中的血管分类为停滞或流动。卓越的挑战数据集来自摊位捕获者，是一个公民科学项目，这些科学项目用康奈尔大学生物医学工程系提供的研究数据占据摊位的识别。竞争中有924名参与者有1367个参赛作品。您可以满足挑战的所有获奖者Drivendata符合获奖者博客。

今天在这篇博客中，您将与Matlab奖金奖获得者Azin＆Kaven举行会面，并了解他们目前的挑战的工作和方法。

Q＆A与Azin＆Kaven

你有什么动力在这场挑战中竞争？

由于我们的研究，我们熟悉人工神经网络和高斯过程回归等机器学习方法等。我们有兴趣了解更多关于这些方法的研究，以便我们开始学习深入学习的下一步。我们认为这项技能在我们的研究中也很有用。我们决定参与深入的学习挑战，因为我们认为它可以帮助我们更有效地学习这些方法。

你遵守挑战的方法是什么？

首先，我们尝试了主要用于人类行动认可的方法。然而，经过一段时间我们尝试了一种方法，在我们看来简单，更快，更适合识别停滞和流动血管的视频的性质。给了我们最高分的方法是将视频转换为图像的组合和使用转移学习。该方法的步骤如下：

1. 从我们认为可能给我们的培训集中选择一组合适的输入数据。
2. 将视频拆分为4个相等的帧组。
3. 在我们的训练方法中获得每个组中帧的像素的平均值，并用作这些帧的代表。
4. 构建由这些帧组的平均值组成的单个图像。
5. 使用深神经网络（Retring Reset18）将测试视频分类为停滞或流动。

查看Az_ka的全面写作和解决方案竞争回购。

您是否和您的研究工作中MATLAB的团队用户或您使用MATLAB首次参加比赛？

我们都使用Matlab作为我们的学术工作和课外研究的主要编程语言。但是，当我们开始这场比赛时，我们对深入学习工具箱相当新的。

如何使用MATLAB进行研究工作？

我们一直在使用Matlab进行众多项目。我们主要用它用于数据挖掘和清洁，建立预测模型，进行风险和不确定性分析等。

你现在正在工作的大项目？

AZIN：我目前正在使用MATLAB用于一个项目，包括建立预测模型，用于将未来的气候变化场景缩小到融合频率估计。

Kaveh：我正在使用MATLB来改善用于评估美国沿海地区风暴浪涌高程的预测模型。

Matlab是你的第一个工具工作的选择吗？您熟悉哪些其他工具/语言？

是的，大多数时候。Matlab有一个通过文档，可以轻松找到您正在寻找的内容，如果我们找不到文档中的内容，Matlab答案和文件交换是下一个最佳选择。我们也熟悉Python和R.

比赛是如何帮助你的工作？

对于这场比赛，我们使用了Matlab深入学习工具箱，我们对此相当陌生。由于我们在使用机器学习工具箱中经验丰富，我们对这些能力非常感兴趣，并且渴望了解更多，竞争为我们提供了宝贵的机会和激励。

您认为使用这些工具获得的技能是否帮助了您的职业生涯？如果是这样，怎么样？

我们相信学习新技能（例如，在这里使用深入学习工具箱）迎接您的思想，以实现更具创新的解决方案。金宝搏官方网站我们认为我们将来可能会在我们的研究项目中使用这项新技能。

在竞争中，您的实践经验有助于您为您的第一个在行业中的角色做好准备吗？

深度学习是一种工具，在各个领域的需求越来越大，不同的行业都试图利用其能力。因此，我们认为拥有这种技能对我们在工业中的未来作用有助于。

您将为年轻工程师寻求就业或用于研究项目的内容咨询？

我们建议学习新的技能和工具，即使它们与他们此刻的做法直接相关。我们相信学习新技能将帮助您更具创新性并在框外思考。

使用Matlab Toolboxes，您感受到的，尤其是涉及您使用的任何其他工具的困难？

它依赖于工具箱。例如，我们没有遇到机器学习工具箱中的任何主要问题，如回归学习者，分类学习者，神经网络。他们通过文档来了，很容易与之合作，我们认为它们主要与其他开源语言一样好，对某些应用程序更好。我们可以轻松找到在任何一个文档或MATLAB答案中的问题的解决方案。但是，当我们使用深入学习工具箱时，我们注意到文档和示例并不完整，有时我们有问题我们无法轻易找到解决方案。

你还有什么想添加的吗？

我们想感谢您赞助这些比赛。他们为学习新技能和特征提供了一个很好的机会，并将其应用于现实世界问题。

我们还要感谢MathWorks团队开发深度学习工具箱。我们最喜欢的是，这是非常容易学习和使用，特别是如果您以前在使用MATLAB进行编程经验。我们看到，通过每个版本，MATLAB将新功能和示例添加到其深度学习工具箱和文档中，我们对将在未来版本中将添加到此工具箱中的功能兴奋。

-

感谢您这么多Azin＆Kaven为您提供时间来分享您的经验。很高兴了解更多关于如何解决这一挑战，并期待看到未来的更新！

下一步是什么 ？

我希望我们的去年的获奖者激发了你参加数据科学挑战并用现实世界数据集测试您的技能。因为MathWorks和Drivendata团队再次在一个令人兴奋的新电脑vison数据集中努力带来另一个挑战。它会让你有机会学习新技能并赢得一些奖金。套装!!