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:阻塞损失:用失速捕手进行阿尔茨海默氏症的研究与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。

Q＆A与Azin＆Kaven

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。

你遵守挑战的方法是什么？

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. 将视频拆分为4个相等的帧组。
3. 在我们的训练方法中，获取每组帧像素的平均值，并将其作为这些帧的代表。
4. 构建由这些帧组的均值组成的单一图像。
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团队的完整报告和解决方案竞争回购．

您和您的团队在您的研究工作中使用MATLAB吗?还是您第一次在比赛中使用MATLAB ?

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

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。

你现在正在工作的大项目？

Azin:我目前正在使用MATLAB进行一个项目，其中包括构建预测模型，降低未来气候变化情景的规模，将其纳入降水频率估计。

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，大部分时间。MATLAB有一个完整的文档，使它很容易找到你正在寻找的东西，如果我们不能在文档中找到什么，MATLAB答案和文件交换是下一个最好的选择。我们也熟悉Python和R。

竞争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，这是我们刚刚接触过的。由于我们有使用机器学习工具箱进行研究的经验，而且我们对这些能力非常感兴趣，并且渴望学习更多，所以这次比赛为我们提供了一个宝贵的机会和动力。

你认为你通过使用这些工具获得的技能对你的职业生涯有帮助吗?如果是这样,如何?

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。万博 尤文图斯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。

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?

深度学习是一种需求越来越大的工具，在各个领域和不同行业的应用都试图利用它的能力。所以，我们认为拥有这种技能对我们未来在行业中的角色是有帮助的。

你对正在寻找工作或从事研究项目的年轻工程师有什么建议?

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，学习新的技能将帮助你更有创新精神，并跳出思维定势。

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能激励你们参与数据科学挑战，并用真实世界的数据集测试你们的技能。因为MathWorks和DrivenData团队很快将在一个令人兴奋的新计算机视觉数据集上再次带来另一个挑战。它将给你机会学习新的技能和赢得一些奖金。服了! !