数据为1908年以来世界范围内的空难信息。

竞赛中，数据集中包括60秒的传感器数据序列进行分类，指示受试者在序列期间是否处于两种活动状态之一。 train.csv ： 训练集，包括约26000个60秒的13个生物传感器的记录，供近1000名实验参与者使用 - sequence： 序列，每个序列的唯一id - subject： 受试者，实验中受试者的唯一id - step： 步长,录制的时间步长，以1秒为间隔 - sensor_00-sensor_12： 13个传感器在该时间步的值 train_labels: 标签, csv-每个序列的类标签。 - sequence： 序列，—每个序列的唯一id。 - state：状态，与每个序列关联的状态。这就是你试图预测的目标。 test.csv ：测试集。对于12000个序列中的每一个，您都应该预测该序列状态的值。 sample_submission.csv ：提交样品，csv-正确格式的示例提交文件。 后继将写一篇关于如何使用数据集的文章，敬请关注。

从面部表情实时情感分析 从面部表情实时进行人类情绪分析。 它使用了深度的卷积神经网络。 使用的模型在测试数据上的准确性达到63％。 实时分析器为当前情绪分配合适的表情符号。 模型实现是在keras中完成的。 一些预测的输出： 使用的表情符号： 实时情绪分析器快照 从图中可以明显看出，给定帧的模型预测是中性的。 模型架构 文件清单 facial Emotions.ipynb ：Jupyter笔记本，具有记录完整的代码，从开始到培训都说明模型准备。 可用于重新训练模型。 main.py ：主python webcam_utils ：用于从面部实时检测情绪的代码prediction_utils ：

Bosch 流水线降低次品率数据【Kaggle竞赛】.zip

实战Kaggle比赛：房价预测-数据集

kaggle 赛题 elo-merchant-category-recommendation 数据集

sklearn-feature-engineering 前言 博主最近参加了几个kaggle比赛，发现做特征工程是其中很重要的一部分，而sklearn是做特征工程（做模型调算法）最常用也是最好用的工具没有之一，因此将自己的一些经验做一个总结分享给大家，希望对大家有所帮助。大家也可以到我的博客上看 有这么一句话在业界广泛流传，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。 特征工程主要分为三部分： 数据预处理 对应的sklearn包： 特征选择 对应的sklearn包： 降维 对应的sklearn包： 本文中使用sklearn中的IRIS（鸢尾花）数据集来对特征处理功能进行说明，首先导入IRIS数据集的代码如下： 1 from sklearn.datasets

机器学习+2020年心脏病数据集+来自于kaggle

FashionAI2018 服装属性标签识别 环境 caffe+keras python 2.7 numpy 1.14.2 opencv 3.4.0 cuda9.0 cudnn 7.0 文件说明： caffe部分： 使用InceptionV4举例，该网络在复赛中可以实现94.11的准确率。 训练网络使用training.sh 修改相应的路径，即Log、TOOLS、-weights后面的路径，其中，Inception-V4的pretrain-model请到下载 。 使用方法bash training.sh [solver][Class][GPU]。 solver ： solver文件路径，本代码中存放于solver文件夹 class： 类别名，用来命名log日志文件，即neck,collar... GPU ： GPU的型号，如0,1,2 2. caffe源码处理 ，并用文件中的src和inc

数据简介 ID：每次行程的唯一ID vendor_id: 行程提供者的ID pickup_datetime: 上车的日期和时间 dropoff_datetime - 停表的日期和时间 passenger_count - 车辆中的乘客数量（驾驶员输入值） pickup_longitude - 上车的经度 pickup_latitude - 上车的纬度 dropoff_longitude - 下车经度 dropoff_latitude - 下车的纬度 store_and_fwd_flag - 行程记录是否为存储转发（或是直接发送） trip_duration - 行程持续时间（秒）