ตัวอย่างรูปภาพ

ตัวอย่างการอธิบายผลงาน

Inspiration

ทีมของเราได้มีความสนใจในการแข่งขัน TMLCC ซึ่งโจทย์ในปีนี้คือการทำนายความสามารถในการดูดซับก๊าซของ Metal-Organic Frameworks (MOFs)

What it does

Machine learning model ของเราใช้เทคนิค Kernel-Ridge Regression (KRR) ในการทำนายค่า working capacity ของ MOF ใน test set ซึ่งมีทั้งหมด 17,000 ตัว โดยเรียนรู้จาก descriptor ที่เป็นคุณสมบัติเชิงกายภาพของโครงสร้าง MOF เช่น ปริมาตร พื้นที่ผิว โดยชุดข้อมูลฝึกสอนมีประมาณหกหมื่นกว่าโครงสร้าง

นอกจากนี้ เรายังได้ใช้เทคนิค cross-validation ในการศึกษาความสามารตของโมเดลในการทำนายชุดข้อมูล validation set อีกด้วย

How we built it

เราใช้ภาษา Python 3 ในการเขียนโปรแกรมทั้งหมด เราใช้ libraries ต่อไปนี้ด้วย

numpy : จัดการ array
pandas : จัดการ data frame และทำความสะอาดชุดข้อมูล
scikit-learn : KRR model
matplotlib : พลอตกราฟ

เรายังได้ใช้ GPU machine ของ Deepnote ในการเทรนโมเดลอีกด้วย ซึ่ง Deepnote คือ data science platform ที่เอาไว้ใช้สำหรับการเขียนโปรแกรมภาษา Python แบบที่เป็น cell ซึ่งเป็น Jupyter-based notebook

Challenges we ran into

มีข้อมูลบางอันที่มีปัญหาในชุดข้อมูลที่ให้มา แต่เราก็สามารถทำความสะอาดชุดข้อมูลได้

Accomplishments that we're proud of

โมเดลของเราสามารถทำนายค่า WC ได้อย่างมีประสิทธิภาพยอดเยี่ยม โดยโมเดลที่ดีที่สุดมีค่า error LMAE อยู่ที่ 1.55284551054

What we learned

เราได้เรียนรู้ความสำคัญของ MOF และการประยุกต์ใช้ machine learning ในการทำนายหาคุณสมบัติทางเคมีของ MOF
ได้แก้ปัญหาโจทย์ที่ไม่เคยทำมาก่อน
เรียนรู้สิ่ง ๆ ใหม่ ๆ จากวิทยากร
ได้เข้าร่วมการแข่งขัน Data science สำหรับวิทยาศาสตร์ที่จัดขึ้นมาเป็นครั้งแรก

สำหรับรายละเอียดเพิ่มเติม ผู้เข้าแข่งขันสามารถดูได้ที่วิดีโอต่อไปนี้ https://www.youtube.com/watch?v=-qMudqHLZBU