facial_keypoint 用于面部关键点检测的Kaggle数据集。 清理数据，将图像列分离出一个数组以读取RGB值，然后将数据集分为X和Y值进行学习，使用20％的比例进行测试。 最后，实现了一个具有三个卷积层和两个密集层以及最终密集层作为输出的卷积神经网络。 尚未实施：Tensorboard以提高模型的准确性和损失。

原始数据集地址：https://www.kaggle.com/datasets/uciml/faulty-steel-plates 原始数据有1941笔数据，提取出1552笔数据作为训练集。

kaggle 猫狗数据集

kaggle 赛题 elo-merchant-category-recommendation 数据集

该资源为pytorch中kaggle数据集的准备，利用DataLoader方法将数据按照batchsize形式加载，对数据迭代，从而送入网络

信用风险模型 使用kaggle数据集查找信用风险的机器学习模型

2012年edX平台上线后4年间290个哈佛和MIT在线课程和450万参与者的数据。

基于Kaggle的经典AI项目——数据集： 含有如下字段 MSZoning: String, // 房屋类型:农用,商用等 LotFrontage: String, // 距离街道的距离 LotArea: String, // 房屋的面积

FER 基于FER2013 Kaggle数据集的面部表情识别模型。 当前模型可实现约67％的精度。 在添加更多训练数据集以提高概括能力的过程中。 对模型体系结构进行一些调整可能会提高准确性。

销售_预测 基于kaggle数据集的时间序列分析和预测项目。 在这个项目中，我使用了从指数平滑和ARIMA模型到Facebook的Prophet库的最新预测技术，以便预测俄罗斯公司的未来销售利润。 数据集来自Kaggle.com。 使用RMSE在模型一步预测和实际值之间分析了模型的性能。 表现最好的模型是Prophet，然后是三重指数平滑模型。 找到最佳绩效模型之后，我将其用于预测公司中各个商店的未来利润。 结果可以在sales_plots文件夹中找到； 它们采用交互式可绘制HTML文件的形式。 这些文件无法由GitHub显示，因此我在此处保留了一些文件预览的链接：