Medewerkers aan de Omdena iRAP 8 weken uitdaging die tot doel had om op AI gebaseerde oplossingen te crowdsourcen om het risico op ongevallen in kaart te brengen en attribuutgegevens met iRAP-sterrenwaarderingen te genereren, hebben enkele van hun publicatieresultaten gedeeld.
Eerder dit jaar werkten 50 AI- en machine learning-experts, waaronder aspirant-studenten, datawetenschappers, ML- en data-ingenieurs en domeinexperts van over de hele wereld samen met leden van het iRAP Innovation and Development Team, gericht op het vinden van een oplossing voor de versnelde en intelligente verzameling en codering van wegattribuutgegevens (AiRAP) om verkeersongevallen te voorkomen en levens te redden.
Lees deze inzichtelijke en goed toegepaste Python-methoden:
Convolutionele neurale netwerken gebruiken om de verkeersveiligheid te verbeteren en levens te redden” door Loïs Anne Leal En Chaitree Baradkar – https://bit.ly/3gK8men
“Functieanalyse en machinaal leren voor verkeersveiligheid” door Leon Hamnett
https://bit.ly/3gJGuqt
“Objectdetectie in 2D-beelden om auto’s en voetgangers te lokaliseren” door Giulio Giaconi En Dave Bunten
https://bit.ly/3vce0cV
"Geavanceerde EDA van verkeersveiligheidsgegevens in het Verenigd Koninkrijk met behulp van Python" door Nabanita Roy
https://bit.ly/3dY8l4v
“Streamlit 101: een AutoML Streamlit-dashboard implementeren om resultaten te voorspellen en te tonen” door MOHAMMAD ALI
https://bit.ly/3vov9QP
"OpenCV vanaf nul leren om een voetgangersdetector te bouwen" door Rutuja Kawade
https://bit.ly/2PsvPoS
iRAP betuigt zijn oprechte dank aan het Omdena-team. De resultaten zullen grote stappen voorwaarts betekenen voor #3star of betere wegen voor alle weggebruikers die levens zullen redden.
Nederlands 
English 
Português do Brasil 
Français 
Tiếng Việt 
Русский 
Español de Colombia 
