8G数据集太大，分开下载（打开我的页面可以下载所有） Fruit Recognition 水果数据集，15个分类，训练识别应用

kaggle数据集 可供所有人使用的Kaggle数据集集合 系统 Python 3.5 Python 3.6 Python 3.7 Linux 苹果系统 视窗 有关Kaggle数据集的更多信息 import kaggledatasets as kd heart_disease = kd . structured . HeartDiseaseUCI ( download = True ) # Returns the pandas data frame to be used in Scikit Learn or any other framework df = heart_disease . data_frame () # Returns the tensorflow dataset type compatible with TF 2.0 dataset = heart_disease . load () for batch , label in dataset . take ( 1 ): for key , value in batch . items ():

kaggle销售预测数据-数据集

上传限制 所以kagge DogvsCat 数据集放在了百度云 链接在txt

共享单车需求 Kaggle 竞赛预测城市共享单车系统的使用情况 看看比赛： : 。 以下是项目描述的摘录。 自行车共享系统是一种租用自行车的方式，通过整个城市的售货亭位置网络，自动获得会员资格，租借和退还自行车的过程。 使用这些系统，人们可以从一个地方租借一辆自行车，然后根据需要将其归还到其他地方。 目前，全球有500多个自行车共享计划。 这些系统生成的数据对研究人员很有吸引力，因为旅行的持续时间、出发地点、到达地点和经过的时间都被明确记录下来。 因此，共享单车系统充当传感器网络，可用于研究城市中的移动性。 在本次比赛中，参与者被要求将历史使用模式与天气数据相结合，以预测华盛顿特区首都共享单车计划的自行车租赁需求 致谢 Kaggle 正在举办这场比赛，供机器学习社区用来娱乐和练习。 该数据集由Hadi Fanaee Tork使用来自Capital Bikeshare的数据提供。 我

kaggle了解云 Kaggle从卫星图像挑战中了解云中第一名解决方案的代码。 要阅读该解决方案的简要说明，请参阅 复制提交 要在不进行重新培训的情况下复制我的提交内容，请执行以下步骤： 运行bash reproduce.sh 安装 所有要求都应在requirements.txt中进行详细说明。 强烈建议使用Anaconda。 conda create -n cloud python=3.6 conda activate cloud pip install -r requirements.txt 准备数据集 下载数据集 下载train_images.zip和test_images.zip并将其解压缩到数据目录。 $ kaggle competitions download -c understanding_cloud_organization $ unzip understandin

Lending Club 信用贷款违约数据是美国网络贷款平台 LendingClub 在2007-2015年间的信用贷款情况数据，主要包括贷款状态和还款信息。附加属性包括：信用评分、地址、邮编、所在州等，累计75个属性（列），890000笔 贷款（行）。数据字典在另外一个单独的文件中。

kaggle中rossmann store sales数据集，不方便去kaggle官网下载的朋友，方便国内下载

3 Idiots' Approach for Display Advertising Challenge ==================================================== This README introduces how to run our code up. For the introduction to our approach, please see http://www.csie.ntu.edu.tw/~r01922136/kaggle-2014-criteo.pdf

sw-kaggle 关于 kaggle 问题的解答与优化 主要工作：可视化分析不同特征与存活率的关系， 类别特征one-hot编码，数值特征分段处理，pipeline预处理数据, 使用LR， RF等进行投票分类，最终排名top10% 主要工作：多分类问题，给定手写数字，进行0-9识别。分别使用numpy，tensorflow搭建ANN, CNN进行训练，识别率98% 主要工作：使用nltk， sklearn，构建关于问题特征的向量进行相似性判断,采用lightgbm进行训练，完成相似问题判断。 个人工作： 主要工作：针对全书每一章节进行分词，tf-idf文档向量化，分别使用监督和无监督进行训练预测， 并与其它名著对比结果。 [拉勾和Boss直聘关于机器学习岗位的简单分析] 主要工作：在两个不同的求职平台，分别以 机器学习 为关键字， 进行搜索，获取全部结果，对其进行简单分析，代码和分析见