Die 7-tägige Ma Cup Big Data Challenge hat wie geplant begonnen. Um allen bei der Auswahl eines besseren Themas zu helfen, geben wir Ihnen zunächst eine kurze Analyse des Wettbewerbsthemas, um allen die Auswahl eines besseren Themas zu erleichtern.
Track A: Erkennung und Identifizierung von Schlaglöchern auf Straßen basierend auf Computer Vision
Frage A ist eine Bildverarbeitungsfrage. Der Schwierigkeitsgrad dieser Art von Frage ist einzigartig für das digitale Modell, und diejenigen mit Erfahrung in der Bildverarbeitung können es versuchen. Normalerweise wird nicht empfohlen, Frage A direkt auszuwählen. Auch in diesem Wettbewerb wird sich diese Plattform hauptsächlich auf Assists in Frage B konzentrieren.
Track B: Nachfrageprognose für E-Commerce-Einzelhändler und Probleme bei der Bestandsoptimierung
Denn die Wettbewerbsfragen sind in Vorrunden und Halbfinale unterteilt. Daher umfasst Frage B dieses Wettbewerbs nur den Teil der Bedarfsprognose, sodass Sie keine Bestandsoptimierung in Betracht ziehen müssen. Daher gehört diese Frage für Frage B nur zur Vorhersagekategorie. Im Folgenden analysieren wir kurz Frage B:
Erstens gibt es das Problem der Datenvorverarbeitung. Bei einem so großen Datensatz muss das Problem von Ausreißern und fehlenden Werten bestehen. Diese Daten sind beispielsweise am gefragtesten. Wie sollen wir mit Zehntausenden von Beständen umgehen? Ob es sich hierbei um einen Ausreißer handelt, muss jeder abwägen.
Eine andere Situation ist die logische Anomalie, die im Fortgeschrittenenkurs hervorgehoben wurde. Gibt es eine logische Anomalie in den in dieser Frage angegebenen Daten? Wenn beispielsweise ein Computer- und Bürohändler Haustiere verkauft, gilt diese Situation als Ausreißer? Es muss auch von allen besprochen und bearbeitet werden.
Die folgenden Fragen eins, zwei und drei beziehen sich auf Vorhersagemodelle. Je nach Anforderungen des Themas können unterschiedliche unabhängige Variablen für Einschränkungen eingeführt werden. Zum Beispiel. Für Frage eins müssen wir die Nachfrage nach den Waren jedes Händlers in jedem Lager vom 16.05.2023 bis zum 30.05.2023 auf der Grundlage der Daten in den Anhängen 1–4 vorhersagen. Und führen Sie eine Ähnlichkeitsanalyse durch. In einfachen Worten denke ich, dass die einfachste Person in der Korrelationsanalyse für die Analyse verwendet werden kann. Wählen Sie einfach Indikatoren mit hoher Ähnlichkeit aus und verwenden Sie sie als Indikatoren des Vorhersagemodells für Frage 2 zur Vorhersage.
Bei Frage drei müssen wir die Nachfragedaten der letztjährigen Double Eleven einführen, um Korrelationen usw. zu analysieren und ein entsprechendes Vorhersagemodell zu erstellen.
Für die Auswahl der Vorhersagemodelle können Sie sich auf die zuvor erwähnten Vorhersagelektionen der siebten und achten Klasse beziehen, um Ihre Auswahl zu treffen.
