Advertisement

比赛地址：医疗诊疗对话意图识别挑战赛；BERT/BERT+CNN

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：RAR

简介：
比赛位置：医疗诊疗对话意图识别挑战赛；方案采用BERT结合使用CNN技术；预训练模型基于bert-base-chinese构建

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 天池糖尿病预测大赛 精准医疗挑战.7z
    优质
    天池糖尿病预测大赛是由阿里云主办的一场精准医疗领域数据竞赛，参赛者利用大数据和AI技术进行糖尿病风险评估模型构建，推动个性化医疗服务发展。 天池精准医疗大赛即将开始，主题是“人工智能辅助糖尿病遗传风险预测”。虽然赛题听起来很高深，但实际上的任务是根据年龄、性别、肝功能、血常规等体检指标来预测血糖值。比赛提供的数据量不大，大约有40个特征变量，训练集包含5000多个实例，测试集则包括1000个实例。
  • 基于知识图谱的智能医疗诊断系统_RobotDoctor.zip_hilltaj_医疗_医疗大数据_大数据医疗_知识图谱
    优质
    RobotDoctor是一款集成知识图谱技术的智能医疗诊断工具，旨在通过分析和理解医疗大数据，提供精准的疾病诊断建议，助力医疗服务智能化。 经过60多年的发展，信息技术已经渗透到社会生活的每一个角落。随着其在国家治理、经济运行等方面的应用日益广泛，产生了大量的数据。特别是互联网技术的迅猛发展，在近几年内产生的数据总量已超过了人类历史上所有数据之和，其中医疗行业的数据增长尤为显著。 医疗大数据蕴含巨大价值，尤其是在临床辅助诊疗及健康管理领域中发挥着重要作用。如今，医疗大数据已成为国家战略层面的重要议题，并在全球学术界与产业界的竞争研究热点之中占据一席之地。如何有效利用这些海量的医疗数据、挖掘其深层潜在价值是未来信息科技发展的主要趋势之一，也是推动医疗大数据技术进步的关键背景因素。
  • 基于BERT的医疗电子病历中的命名实体识别.rar
    优质
    本研究利用BERT模型在医疗电子病历中进行命名实体识别，旨在提高医学文本信息提取的准确性和效率，为临床决策支持提供有力的数据基础。 基于BERT的医疗电子病历命名实体识别.rar
  • 天池精准医疗大赛：糖尿病预测挑战 Tianchi Diabetes Challenge
    优质
    天池精准医疗大赛之糖尿病预测挑战是由阿里云主办的数据竞赛，致力于通过数据分析与机器学习技术提高糖尿病早期预测的准确率，促进个性化医疗的发展。 天池精准医疗大赛分为初赛、复赛和决赛三个阶段。初赛题目是针对2型糖尿病的回归问题，要求根据受检者的体检数据和临床信息预测血糖值；而复赛则是二分类问题，通过体检信息和基因信息判断是否患有妊娠糖尿病。本人作为积极向上团队的一员，在此次精准医疗大赛中取得了初赛top-11和复赛top-6的成绩。 当前代码仓库记录了我在比赛中的思路与代码。在公布初赛结果时，我发现有些参赛队伍的预测效果比我更好，但当时没有深入分析原因，仅将当时的部分代码进行了简单的整理以备后续参考。团队最终提交的复赛版本可以在天池社区技术圈中查看。 项目结构如下： - TianChi-Diabetes - preliminary：初赛代码 - repecharge：复赛代码
  • 美食识别挑战赛.pdf
    优质
    《美食识别挑战赛》是一场结合了视觉识别与味觉享受的比赛，参赛者通过图像识别技术猜出各式菜肴，探索科技与美食文化的交汇点。 图像识别之美食挑战赛：从二分类到多分类的转变带来了更多的复杂性。在首次举办的美食识别比赛中，参赛者需要准确区分豆腐与土豆，这为许多图片识别爱好者提供了初步实践的机会。相较之下，在新推出的比赛2.0中难度有所提升。不仅食材种类大幅增加，四种食材之间的辨识度也变得更加困难。对于专注于图像识别的开发者来说，这是一个值得尝试的重要挑战。
  • 医疗CT影像及年龄对比标注数据[Kaggle竞赛].zip
    优质
    本数据集包含用于Kaggle竞赛的医疗CT影像与患者年龄信息，旨在促进医学影像分析及深度学习研究。 医疗CT影像、年龄以及对比标注数据。
  • 基于BERT+CRF+BiLSTM的医疗实体识别构建医生推荐系统的医学知识图谱及知识问答体系
    优质
    本项目运用BERT、CRF和BiLSTM技术进行医疗领域命名实体识别，并建立医生推荐系统，集成医学知识图谱与智能问答功能。 领域知识图谱的医生推荐系统：通过使用BERT+CRF+BiLSTM进行医疗实体识别，构建医学知识图谱，并建立知识问答系统。
  • 比赛地点：基于中文NLP的地址要素解析方案——BERT-BiLSTM-CRF-NER
    优质
    本项目提出了一种基于BERT-BiLSTM-CRF模型的中文自然语言处理（NLP）地址要素解析方案，旨在高效准确地提取和分类中文文本中的地址信息。 比赛地址：中文NLP地址要素解析 长期赛结果： 分数:87.7271 排名：第56名（本次），总排名第6990位 方案详情： 采用BERT-BiLSTM-CRF-NER模型，使用预训练模型bert-base-chinese。 训练效果： F1值 : 0.9040681554670564 准确率 : 0.9313805261730405 精确度 : 0.901296612724897 召回率 : 0.9068567961165048 运行脚本： python run_bert_lstm_crf.py