Colaboradores em Desafio Omdena iRAP de 8 semanas que tinham como objetivo obter, por meio de colaboração coletiva, soluções baseadas em IA para mapear o risco de acidentes e gerar dados de atributos para a classificação por estrelas iRAP, compartilharam alguns dos resultados de suas publicações.
No início deste ano, 50 especialistas em IA e aprendizado de máquina — incluindo estudantes em formação, cientistas de dados, engenheiros de aprendizado de máquina e de dados, além de especialistas na área de todo o mundo — trabalharam com membros da Equipe de Inovação e Desenvolvimento do iRAP com o objetivo de encontrar uma solução para a coleta e codificação aceleradas e inteligentes de dados sobre atributos rodoviários (AiRAP), a fim de prevenir acidentes de trânsito e salvar vidas.
Leia estes métodos Python perspicazes e bem aplicados:
Usando redes neurais convolucionais para melhorar a segurança rodoviária e salvar vidas” por Lois Anne Leal e Chaitree Baradkar – https://bit.ly/3gK8men
“Análise de Atributos e Machine Learning para Segurança Viária” por Leon Hamnett
https://bit.ly/3gJGuqt
“Detecção de Objetos em Imagens 2D para Localizar Carros e Pedestres” por Giulio Giaconi e Dave Bunten
https://bit.ly/3vce0cV
“Análise Exploratória Avançada de Dados de Segurança Viária do Reino Unido usando Python” por Nabanita Roy
https://bit.ly/3dY8l4v
“Streamlit 101: Implantação de um Dashboard Streamlit de AutoML para Prever e Exibir Resultados” por MUHAMMAD ALI
https://bit.ly/3vov9QP
“Aprendendo OpenCV do Zero para Construir um Detector de Pedestres” por Rutuja Kawade
https://bit.ly/2PsvPoS
A iRAP expressa seus sinceros agradecimentos à equipe da Omdena. Os resultados servirão de base para grandes avanços na criação de estradas com classificação #3starorbetter para todos os usuários, o que salvará vidas.