今天的博客专题是与Azin Al Kajbaf和Kaveh Faraji的问答，MATLAB奖金奖得主堵塞物的减少:用拦阻者挑战推进阿尔茨海默氏症的研究

Azin Al Kajbaf和Kaveh Faraji是马里兰大学土木工程系的博士生。他们的研究重点是灾害恢复能力和洪水和风暴潮等灾害的风险评估。他们的工作包括使用概率方法、地理空间分析和机器学习方法来评估自然灾害。

介绍

2020年9月，MathWorks赞助了一项数据科学挑战:阻塞性丢失：使用失速捕捉器推进阿尔茨海默病研究与DrivenData合作。在这项挑战中，参与者的任务是建立机器学习模型，可以将3D图像堆中的血管分类为停滞或流动的。这个特殊的挑战数据集来自“摊位捕手”(Stall catcher)，这是一个公民科学项目，利用康奈尔大学生物医学工程系提供的研究数据，众包确定摊位。共有924人参加，参赛作品1367件。你可以在DrivenData的胜者博客．

今天在本博客中，您将会见MATLAB奖金奖得主Azin和Kaven，并了解他们当前的工作和应对挑战的方法。

与Azin & Kaven的问答

是什么促使你参加这次挑战？

通过研究，我们了解了人工神经网络、高斯过程回归等机器学习方法。我们对这些方法很感兴趣，所以下一步我们最近开始研究深度学习。我们认为这种技能在我们的研究中也可能有用。我们决定参与深度学习挑战，因为我们相信它可以帮助我们更有效地学习这些方法。

你用什么方法来解决这个挑战?

起初，我们尝试了大多数用于人类动作识别的方法。然而，过了一段时间，我们尝试了一种我们认为简单、快速、更适合视频性质的方法来识别停滞和流动的血管。给我们最高分数的方法是将视频转换为图像组合并使用迁移学习。方法的步骤如下:

1. 从训练集中选择合适的输入数据集，我们认为可能会给我们好的结果。
2. 将视频分割为4组相等的帧。
3. 获取每组中帧的像素平均值，并将其用作我们的训练方法中这些帧的代表。
4. 构建一个由这些帧组的平均值组成的单个图像。
5. 使用深度神经网络(再培训ResNet18)将测试视频分类为停滞或流动。

查看AZ_KA团队在竞争回购．

您和您的团队是在研究工作中使用MATLAB还是在比赛中第一次使用MATLAB？

我们都使用MATLAB作为我们学术工作和课外研究的主要编程语言。然而，当我们开始这项竞赛时，我们对深度学习工具箱还是相当陌生的。

您如何使用MATLAB进行研究工作?

我们已经在许多项目中使用MATLAB。我们主要用它来进行数据挖掘和清理，建立预测模型，进行风险和不确定性分析等。

你现在在做什么大项目?

Azin：我目前正在使用MATLAB进行一个项目，该项目包括建立预测模型，用于缩小未来气候变化情景的规模，以纳入降水频率估计。

Kaveh:我正在使用MATLB来改进用于评估美国沿海地区风暴潮高度的预测模型。

MATLAB是你工作的首选工具吗?你还熟悉哪些工具/语言?

是的，大多数时候。MATLAB有一个完整的文档，可以很容易地找到您要查找的内容。如果我们在文档中找不到内容，MATLAB答案和文件交换是下一个最好的选择。我们还熟悉Python和R。

比赛对你的工作有什么帮助？

在这次比赛中，我们使用了MATLAB深度学习工具箱，我们对它还比较陌生。由于我们在使用机器学习工具箱进行研究方面经验丰富，并且我们对这些能力非常感兴趣，并且渴望了解更多，因此这次竞争为我们提供了一个宝贵的机会和激励。

你认为使用这些工具获得的技能对你的职业生涯有帮助吗？如果是，怎么做？

我们相信，学习新的技能(例如使用深度学习工具箱)可以打开你的思维，为你提供新的可能性，提出更创新的解决方案。万博 尤文图斯我们认为，我们可能会在未来的研究项目中使用这种新技能。

你在比赛中的实践经验是否有助于你为你在行业中的第一个角色做好准备?

深度学习是一种在各个领域的需求和应用日益增长的工具，不同行业都试图利用它的能力。因此，我们认为掌握这项技能有助于我们未来在行业中发挥作用。

你会给年轻的工程师们什么建议去寻找工作或从事研究项目？

我们建议学习新的技能和工具，即使它们与他们目前正在做的事情没有直接关系。我们相信，学习新技能将有助于你更具创新精神，跳出框框思考问题。

在使用MATLAB工具箱时，您是否感到有任何困难，特别是关于开源或您使用的任何其他工具?

它依赖于工具箱。例如，我们在机器学习工具箱中没有遇到任何重大问题，如回归学习器、分类学习器、神经网络。它们带有完整的文档，易于使用，我们认为它们基本上和其他开源语言一样好，对某些应用程序更好。我们可以很容易地在文档或MATLAB答案中找到我们的问题的解决方案。然而，当我们使用深度学习工具箱时，我们注意到文档和示例不完整，有时我们会遇到一些问题，我们很难找到解决方案。

你还有什么要补充的吗?

我们想感谢你赞助这些比赛。它们提供了一个学习新技能和新特性并将其应用于现实问题的绝佳机会。

我们还要感谢MathWorks团队开发的深度学习工具箱。我们最喜欢它的是，它非常容易学习和使用，特别是如果你有使用MATLAB编程的经验。我们看到，随着每个版本的发布，MATLAB向其深度学习工具箱和文档中添加了新的特性和示例，我们对未来版本中将添加到这个工具箱中的功能感到兴奋。

- - - - - -

非常感谢Azin & Kaven花时间分享你的经验。很高兴了解更多关于你是如何解决这个挑战的，并期待看到未来的更新!

接下来是什么?

我希望我们去年的获奖者激励您参与数据科学挑战，并用真实世界的数据集测试您的技能。因为MathWorks和Drivenda团队正在再次努力，很快将在令人兴奋的新计算机vison数据集上带来另一个挑战。它将给你学习新技能的机会，并赢得一些奖金。穿上衣服！！