垃圾邮件分类---安然数据集 使用逻辑回归和计数向量化将Enron数据集的电子邮件分为垃圾邮件或火腿邮件。 注意：彻底评论了Jupyter / IPython笔记本，因此这里不需要广泛的自述文件。

处理剪贴板中Excel中的数据，封装成自定义的数据集，获取剪贴板中的Excel数据，并进行处理，保留空单元格，方便读取后程序处理

网上看了一些转的方法都有漏洞下面直接上代码

图像工具：创建图像数据集 图像工具可帮助您形成用于图像分类的机器学习数据集。 在Windows上下载桌面应用程序 我们使用GitHub Actions构建该应用程序的桌面版本。 如果要下载Windows版，请单击“ ，然后在“所有工作流程”下的左侧看到 。 单击Windows工作流程后，您将在屏幕中心看到构建列表。 单击结果列表中最上面的项目以获取最新版本。 单击最新版本后，您应该看到标题为“工件”的部分，其中包含名为“图像工具Windows”的项目。 当您单击此工件时，它应该为您下载包含该应用程序的zip文件！ 对MacOS的支持仍在进行中。 在MacOS上运行桌面应用程序 尽管已编译的Mac应用程序由于未签名而无法运行，但是您可以在本地创建它，也可以通过Python命令行运行该应用程序。 确保您具有Python 3.7或Python 3.8。 请参阅此处的安装指南： : 将此代

SVHN数据集 mchar_train.json mchar_val.json mchar_data_list_0515.csv

Ubisoft La Forge 动画数据集（“LAFAN1”） Ubisoft La Forge Animation 数据集和 SIGGRAPH 2020 论文随附代码。 2017 年 5 月拍摄。 该数据集可以在知识共享署名-非商业性-禁止衍生 4.0 国际公共许可证下使用（请参阅 license.txt）。 如果您使用此数据集或转换基准测试代码，请考虑引用论文： @article{harvey2020robust, author = {Félix G. Harvey and Mike Yurick and Derek Nowrouzezahrai and Christopher Pal}, title = {Robust Motion In-Betweening}, booktitle = {ACM Transactions on Graphics (Pro

LabelMe 12-50k 数据集是一个物体识别数据集，总共包含 50000 张 JPEG 格式的图片，其中 40000 张为训练数据，10000张为测试数据，图像均从 LabelMe 网站中提取得到。每张图像分辨率为 256x256 大小。其中 50% 的图片在中心位置有一个物体，该物体属于类别总数为12类中的一类。其余 50% 图片为随机选取的图片中的一块随机区域。

ExploratoryDataProject1 说明该作业使用来自UC Irvine机器学习存储库的数据，该存储库是机器学习数据集的流行存储库。 特别是，我们将使用我在课程网站上提供的“个人家庭用电量数据集”：数据集：电力消耗[20Mb]说明：测量一个家庭中一个家庭的电力消耗的方法-在近4年内的分钟采样率。 提供不同的电量和一些子计量值。 数据集中9个变量的以下描述来自UCI网站：日期：以dd / mm / yyyy格式表示的时间时间：以hh：mm：ss格式表示的时间Global_active_power：家庭全球分钟平均有功功率（以千瓦为单位） ）Global_reactive_power：家庭全球平均每分钟平均无功功率（以千瓦为单位）电压：每分钟平均平均电压（以伏特为单位）Global_intensity：家庭全球每分钟的平均平均电流强度（以安培为单位）Sub_metering_1：

NILM, REDD 数据集， 已经转好了h5格式，用nilmtk可以直接读入