Medewerkers aan de Omdena iRAP 8-weken-uitdaging die tot doel hadden via crowdsourcing op AI gebaseerde oplossingen te ontwikkelen om het risico op ongevallen in kaart te brengen en gegevens over de iRAP-sterrenclassificatie te genereren, hebben een deel van de resultaten van hun publicaties bekendgemaakt.
Eerder dit jaar, hebben 50 experts op het gebied van AI en machine learning, waaronder aspirant-studenten, datawetenschappers, ML- en data-engineers en domeinexperts uit de hele wereld, samengewerkt met leden van het iRAP-innovatie- en ontwikkelingsteam. Zij richtten zich op het vinden van een oplossing voor het versneld en intelligent verzamelen en coderen van wegkenmerkgegevens (AiRAP) om verkeersongevallen te voorkomen en levens te redden.
Lees deze inzichtelijke en goed toegepaste Python-methoden:
”Het verbeteren van verkeersveiligheid en het redden van levens met behulp van Convolutional Neural Networks" door Lois Anne Leal en Chaitree Baradkar – https://bit.ly/3gK8men
“Featureanalyse en Machine Learning voor Verkeersveiligheid” door Leon Hamnett
https://bit.ly/3gJGuqt
“Objectdetectie in 2D-afbeeldingen voor het lokaliseren van auto's en voetgangers” door Giulio Giaconi en Dave Bunten
https://bit.ly/3vce0cV
“Geavanceerde EDA van de gegevens over verkeersveiligheid in het Verenigd Koninkrijk met Python” door Nabanita Roy
https://bit.ly/3dY8l4v
“Streamlit 101: Een Streamlit Dashboard met AutoML Implementeren om Resultaten te Voorspellen en Weer te Geven” door MUHAMMAD ALI
https://bit.ly/3vov9QP
“Leren van OpenCV vanaf nul om een voetgangerdetector te bouwen” door Rutuja Kawade
https://bit.ly/2PsvPoS
iRAP spreekt zijn oprechte dank uit aan het Omdena-team. De resultaten zullen de basis vormen voor grote stappen voorwaarts op het gebied van #3starorbetter-wegen voor alle weggebruikers, die levens zullen redden.