本人获得2019全国高校计算机能力挑战赛-程序设计赛-C语言-全国一等奖，压缩包里有初赛和复赛的源代码，难度不大，适合刚接触各种算法竞赛的爱好者们学习。

全国计算机能力挑战赛2019c语言

ICRA2020-JLU-TARS_GO-决定 吉林大学吉甲大师团队-AI挑战赛决策部分开源代码

本文研究的数据集来源于全球 AI 挑战赛（AI Challenger）的第二个赛道——细粒度用户评论情感分析。该比赛要求参赛者对互联网平台上用户的在线评论文本进行分析并判断文中是否提及 6 个目标的 20 个方面。如果方面被提及，则需要判断该方面所对应的情感极性。接下来通过几张表来详细地介绍数据集的情况。

ICPR2018：网络图像的文本识别 / 网络图像的文本检测 TODO： 根据描述文件在图片中圈出所有文本的位置，效果图如下 将描述文件转成pascal格式的xml文件 训练YOLO或者SSD模型 训练OCR模型或直接调用OCR库

KiTS19 官方的存储库。 注意：此挑战的2021年迭代正在进行中！ （未完成） 用法 要获取此挑战的数据，请克隆该存储库（约500MB），然后运行get_imaging.py 。 例如 git clone https://github.com/neheller/kits19 cd kits19 pip3 install -r requirements.txt python3 -m starter_code.get_imaging 这将从单独的源下载更大，更大的静态图像文件。 然后， data/目录的结构应如下所示 data ├── case_00000 | ├── imaging.nii.gz | └── segmentation.nii.gz ├── case_00001 | ├── imaging.nii.gz | └── segmentation.nii.g

脑电图机器学习挑战 EEG 机器学习挑战赛，Python 和 MATLAB（学者项目，2015） 本次挑战的目标包括根据 30 秒的 EEG 信号确定正确的睡眠阶段（W、R、N1、N2、N3）； 数据集分别包含 10178 和 10087 个 EEG 用于训练和测试。 特征提取 首先，我编写了自己的Python脚本（参见： : ），在学校网络上应用分布式并行计算。 它将特征的计算时间除以超过 100。超过 100。 PyEEG / PyREM / MNE 感谢 PyEEG 库，我提取了这些特征： DFA：去趋势波动分析 PFD：Petrosian 分形维数 hjorth：Hjorth 移动性和复杂性 ApEn：近似熵 SampEn：样本熵（SampEn） hfd：樋口分形维数 费舍尔信息：费舍尔信息 SVD：SVD熵 bin power & bin power ratio：由

第四届全国青少年人工智能创新挑战赛决赛获奖名单（信息学专项赛）

该存储库包含用于训练最新技术的心脏分割网络的代码，如本文所述：。 修改后的U-Net架构在MICCAI 2017 赛中获得第三名。 作者： 克里斯蒂安·鲍姆加特纳（） 丽莎·科赫（） 如果您发现此代码对您的研究有所帮助，请引用以下文章： @article{baumgartner2017exploration, title={An Exploration of {2D} and {3D} Deep Learning Techniques for Cardiac {MR} Image Segmentation}, author={Baumgartner, Christian F and Koch, Lisa M and Pollefeys, Marc and Konukoglu, Ender}, journal={arXiv preprint arXiv:1709.044

TIanChi_Traffic_Competition 阿里天池智慧交通预测挑战赛 #@创建于2017-9 #@Author：lieying #@School:USTB #@E-mail: 复赛：Top7 /1716队 #---- 此算法为智慧交通预测挑战赛复赛程序 1、先运行sub_handle.py生成提交样本，然后运行link_top_process.py生成道路基本信息。 （@@@最重要的的是get_feat_XGBmodel.py这个文件用于提取特征，写了相应的函数，直接调用。） 2、先运行get_feat.py进行划分数据集 3、运行get_feat_2016_7.py和get_feat_2017_3.py进行提取2016年的七月和2017年的3月 4、然后运行main.py进行提取和去除噪点。然后送入XGBoost和lightgbm模型进行训练得到四个模型的结果，然后融合处理