Kaggle 上的竞赛数据，用以区分猫和狗两类对象，数据格式为处理后的CSV文件。

TMDB电影数据集分析 目录 关于该项目 数据集：选择了TMDB Kaggle数据集进行分析。 该数据集应有助于回答一些有关电影的有趣问题。 对于数据集中的每个电影（行），我们都有21个特征（列）来描述它； 例如预算，收入，用户评分和其他功能。 该项目是为Udacity Data Analyst纳米学位计划而构建的。 关键问题 电影预算与它们产生的收入之间有什么关系？ 更高的预算会转化为更高的收入吗？ 电影的预算与其受欢迎程度之间有什么关系？ 电影的播放时间与平均投票之间有什么关系？ 较长的电影收视率较低吗？ 但是，在意识到缺少预算和收入数据之后，提出了一系列新问题。 缺少收入和预算的数据标记为0.0而不是NaN，并且在运行df.isnan（）或df.info（）时未在早期数据检查中显示。 运行df.describe（）时，超过50％的数据为0.0，这引起了人们对缺失值的注意。

Repository 包含用于 Kaggle Avazu 竞赛获得第 18 名的代码。 使用的主要算法： 具有自适应梯度的逻辑回归 随机梯度提升机（MatrixNet）

人脸关键点标定竞赛数据，是为图像中的人脸标定15个关键位置点，图像时96x96像素的，每个关键点对应一个二维位置坐标用以标识关键点的位置。

kaggle-kuzushiji-识别 项目结构 ├── code │   ├── configs │   ├── crop_det.py │   ├── make_submission.py │   ├── mmdetection │   ├── prepare_det.py │   └── work_dirs ├── data │   ├── dtrainval.pkl │   ├── train_images │   ├── test_images │   ├── train_crops │   └── ... ├── download │   ├── test_images.zip │   ├── train_images.zip │   └── ... └── submits ├── submit001.csv └── ... 要求 2个1080 Ti 与一些修

实验背景： 这是从2010/01/12-2011/12/09一家在英国的网络电商的真实数据，所以数据类型和值都具有很强的随机性,实践性较强。 该电商的主营业务是卖一些订制礼物。所以本次分析的目的是对该电商的客户进行分类，以让业务部门可以对不同的顾客有不一样的促销方式（marketing initiatives or offer），以增大销量。 实验内容： 数据预处理： 1.导入观察数据： #import all necessary package import pandas as pd import numpy as np import matplotlib.pyplot as plt imp

该数据集是图片数据，分为训练集85%（Train）和测试集15%（Test）。其中O代表Organic（有机垃圾），R代表Recycle（可回收）

kaggle平台上titanic问题的数据 包含train test两个数据。

从零开始通往Kaggle竞赛之路.rar 从零开始通往Kaggle竞赛之路.rar 从零开始通往Kaggle竞赛之路.rar 从零开始通往Kaggle竞赛之路.rar从零开始通往Kaggle竞赛之路.rar

kaggle “give me some credit”数据集