유저의 학습 상태에 대해 새로운 문제를 풀 가능성을 예측하는 Task
시험 성적은 우리가 얼마만큼 아는지 평가하는 한 방법이지만, 학생 개개인의 이해도를 기리키는 ‘지식 상태‘는 알 수 없다.
이를 해결하고자 딥러닝 방법론인 ‘Deep Knowledge Tracing’이 등장하였고 맞춤화 교육을 위해 아주 중요한 역할을 한다.
대회에서는 지식 상태를 예측하기보다는, 주어진 문제를 맞출지 틀릴지 예측한다.
최종적으로 test_data 마지막 문제의 정답여부가 주어지지 않으며, 이를 예측해야 한다.
트리 모델을 최대한 사용하지 않도록 한다.
학습 목적이므로 내부 구조를 바꿀 수 있는 Deep Learning Model을 최대한 사용한다.
각자 모델별 end-to-end를 경험 후, 경험을 합친다.
공유하고, 질문하고, 토론한다.
모델 하나를 깊게 파고 이해한다.
가망이 없다면 미련 없이 돌아선다.
궁금하면 일단 시도 해본다.
모든 판단은 근거에 기반한다.
네이버 부스트캠프 AI Tech 6기 Level 2 Recsys 2조 R_AI_SE 입니다.
💡 R_AI_SE의 의미
Recsys AI Seeker(추천시스템 인공지능 탐구자)를 줄여서 R_AI_SE입니다~
- 24시간코딩 이후 4시간 취침의 열정맨덜
- 티키타카
- 꿀잼
- 슬랙 허들은 개미지옥이야..
- 10시 데일리 스크럼, 16시 피어세션, 23시45분 앙상블세션
팀원 | 역할 및 담당 |
---|---|
김수진 | Transformer, SASRec, BERT4Rec, SAINT(+), CustomModel 구현, 모델 성능 실험, DKT Baseline 반자동화 |
김창영 | EDA, 정형데이터셋 베이스라인, TabNet, Tree모델 모듈화, Out Of Fold, WandB sweep HPO |
박승아 | 데이터 EDA, Last Query Transformer RNN, SAINT(+) 모델, T-fixup 구현, 하이퍼파라미터 튜닝 |
전민서 | Transformer, Graph, LSTM, SASREC, Bert4REC, ML, OOF, Wandb, LastQuery |
한대희 | EDA, Feature Engineering, XGBoost, LGBM, CatBoost, GridSearchCV, AutoGluon |
한예본 | IRT 기반 Feature Engineering, Transformer, Graph, LSTM, SASREC,ML |
- 모더레이터 역할
- 순서 : 매일 돌아 가면서
- 역할 : 피어세션 시 소개하고 싶은 곡 선정
- 데일리 스크럼
- 오늘 학습 계획 정하기
- Github PR 올린 것 코드리뷰 진행
- 피어세션
- 모더레이터가 가져 온 노래 나올 때 각자 스트레칭 하기
- 강의에 나오는 논문 리뷰하기
- 미션 파일 코드 분석 발표하기
- Github PR 올린 것 코드리뷰 진행
- 커밋 메세지 컨벤션 유다시티 스타일
- 이슈 기반 작업
- 깃허브 칸반 보드를 활용한 일정 관리
- 데일리 스크럼/피어세션때 PR코드 리뷰 후 병합
- OS: Linux-5.4.0-99-generic-x86_64-with-glibc2.31
- GPU: Tesla V100-SXM2-32GB * 6
- CPU cores: 8