Winter Hackathon 2025 – Team Datadivas (Datacamp doa bolsistas)

Membros da equipe Datadivas Ann LamAssim, Jasmin Rafie Vicky Yan entrou no WIBD Winter Hackathon após a conclusão bem -sucedida do programa de educação e desenvolvimento profissional da WIBD por meio Datacamp doaum programa projetado para equipar candidatos motivados com competências essenciais de ciência de dados por meio da plataforma de aprendizado de datacamp.

Eles foram orientados por especialistas do setor Ravi Condamoor e Srividhya Chandrasekaran ao longo do desafio.

Em 23 de maio, o WIBD concluiu com sucesso seu hackathon de inverno sob a liderança do Diretor Global de Hackathon da WIBD Rupa Gangatirkar e consultor técnico Stuti Patel.

O Desafio de Hackathon de Inverno 2025

A competição deste ano foi alimentada pelo Desafio Global de Datathon Wids e desenvolvida em parceria com a Iniciativa de Saúde Cerebral de Ann S. Bowers (WBHI), em colaboração com a Cornell University e a UC Santa Barbara. A Healthy Brain Network (HBN), a principal iniciativa científica do Instituto Child Mind, juntamente com o Projeto Reproduzível dos Gráficos do Cérebro (RBC), forneceu conjuntos de dados essenciais e suporte técnico para a concorrência.

Hospedado no Kaggle Plataforma, o hackathon centrou -se no tema “Desvendando os mistérios do cérebro feminino”, com os participantes focando em analisar os dados de saúde cerebral feminina especificamente para promover a detecção e as capacidades de diagnóstico do TDAH.

Os participantes trabalharam com conjuntos de dados de treinamento abrangente que abrangem informações sociodemográficas dos pacientes, escores de avaliação emocional e comportamental e dados de ressonância magnética funcional), que medem minuto variações de fluxo sanguíneo correspondentes aos padrões de atividade cerebral. O objetivo principal exigia que as equipes desenvolvessem modelos preditivos capazes de determinar a classificação de gênero e o status de diagnóstico do TDAH com base nos conjuntos de dados multimodais fornecidos.

Testemunho da equipe e jornada

A experiência no WIBD Winter Hackathon 2025 proporcionou uma oportunidade excepcional de aplicar e expandir nossos recursos de ciência de dados desenvolvidos por meio da iniciativa do Datacamp doa. O Hackathon apresentou o equilíbrio perfeito de desafio e engajamento, permitindo -nos implementar habilidades de programação Python em todo o pipeline de ciência de dados – desde a limpeza e processamento inicial de dados por meio da análise de dados exploratórios até o desenvolvimento e otimização avançados do modelo de aprendizado de máquina.

Como um datacamp doa a equipe, todos os nossos membros eram relativamente novos nos campos de dados e aprendizado de máquina, embora alguns tivessem experiência anterior em codificação. O Datacamp forneceu todos os cursos necessários para dominar a análise de dados e as habilidades de aprendizado de máquina, acelerando significativamente nosso aprendizado durante o hackathon de 8 semanas. Os tópicos variaram de limpeza de dados e engenharia de recursos a aprendizado de máquina em Python e MLOPs.

A jornada de dados brutos para modelos preditivos foi tecnicamente desafiadora e intelectualmente gratificante. Navegamos com sucesso aos desafios de pré -processamento de dados, extraímos insights significativos por meio da análise e progredimos para implementar vários algoritmos de aprendizado de máquina para prever variáveis de destino. O processo de ajuste do hiperparâmetro aumentou ainda mais nossa compreensão da otimização do modelo e da melhoria do desempenho.

Nosso mentor, Ravi Condamoor, demonstrou experiência excepcional de orientação, oferecendo precisamente a profundidade certa de conhecimento e orientação para os recém -chegados do aprendizado de máquina. Sua abordagem foi perfeitamente calibrada – fornecendo suporte abrangente sem criar uma sobrecarga de informações, permitindo -nos superar obstáculos técnicos enquanto criava um entendimento genuíno. Ravi ajudou a preencher as lacunas, fornecendo conhecimento e insights de fundo sobre a desigualdade presente na pesquisa de saúde feminina e como os modelos de aprendizado de máquina podem ser usados para preencher a lacuna de diagnóstico causada pela falta de dados médicos femininos.

Enquanto isso, nosso segundo mentor, Srividhya Chandrasekaran, mostrou -se instrumental para manter o momento do projeto e garantir a conclusão oportuna do marco por meio do gerenciamento eficaz do projeto.

Esse ambiente de aprendizado colaborativo promoveu o crescimento técnico e o desenvolvimento profissional. A combinação de resolução prática de problemas, colaboração por pares e orientação especializada criou uma estrutura ideal para aplicação de habilidades e consolidação de conhecimento.

Nossa equipe era diversa e multidisciplinar. Proveniente de diferentes áreas de estudo e formação global, com sede na Austrália e nos Estados Unidos. Todos nós fizemos um esforço para acompanhar e nos comunicar efetivamente. Usando ferramentas colaborativas on -line como Google Colab, Slack e Google Meet, fomos capazes de compartilhar nosso progresso por meio de reuniões semanais e comunicação constante. A melhoria constante na tabela de líderes de Kaggle foi a prova de nosso progresso e nos incentivou a continuar tentando novas abordagens.

Apesar de sermos participantes pela primeira vez em uma competição de Kaggle, fomos capazes de publicar nossas descobertas com base em cenários do mundo real e deixamos a experiência motivada para continuar nossa jornada na ciência de dados.

Estendemos nossa sincera gratidão ao WIBD por orquestrar essa experiência de aprendizado transformador e fornecer uma plataforma que preenche perfeitamente o conhecimento teórico com implementação prática em ciência de dados e aprendizado de máquina.