Colaboradores no Desafio de 8 semanas Omdena iRAP que visavam obter soluções baseadas em IA por meio de crowdsourcing para mapear o risco de acidentes e gerar dados de atributos de classificação por estrelas de 1 a 5 estrelas, compartilharam alguns dos resultados de sua publicação.
No início deste ano, 50 especialistas em IA e aprendizado de máquina, incluindo estudantes promissores, cientistas de dados, engenheiros de ML e de dados e especialistas da área de todo o mundo, trabalharam com membros da Equipe de Inovação e Desenvolvimento do iRAP, com foco na busca de uma solução para a coleta e codificação acelerada e inteligente de dados de atributos de estradas (AiRAP) para prevenir acidentes rodoviários e salvar vidas.
Leia estes métodos Python esclarecedores e bem aplicados:
"Utilizando Redes Neurais Convolucionais para Melhorar a Segurança Rodoviária e Salvar Vidas" por Lois Anne Leal e Chaitree Baradkar – https://bit.ly/3gK8men
“Análise de Características e Aprendizado de Máquina para Segurança Rodoviária” 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 de Dados Avançada dos Dados de Segurança Rodoviária do Reino Unido usando Python” por Nabanita Roy
https://bit.ly/3dY8l4v
“Streamlit 101: Implantando um painel Streamlit com 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 contribuirão significativamente para o projeto #3star, que visa melhorar as estradas para todos os usuários e salvar vidas.