Kaggle： 任务是将每个木薯图像分为五类，以指示-具有某种疾病或健康叶片的植物。 组织者介绍了在乌干达定期调查期间收集的21,367张带标签图像的数据集。 大多数图像都是从农民那里获取的，他们在花园里照相，并由国家作物资源研究所（NaCRRI）的专家与坎帕拉的马可雷雷大学的AI实验室合作进行批注。 似乎已经有一些。 实验性 安装此工具 如何使用此基本功能的简单方法： ! pip install https://github.com/Borda/kaggle_cassava-leaf-disease/archive/main.zip 在Colab中运行笔记本 我建议将数据集上传到您的个人gDrive，然后在笔记本电脑中连接gDrive，这样可以在重置Colab时节省重新上传数据集的时间...：] 一些结果 ResNet50的培训进度以及10个时期的培训：

deepfashion2数据集官网kaggle下载的train训练集解压缩密码

Kaggle-木薯叶病分类 Kaggle竞赛代码“木薯叶病分类”。 排名256/3900（最高7％）铜牌 比赛于2月结束，当我最近整理代码时，我决定在GitHub上发布它（整理代码确实是一件很累的工作〜）。 我在私有数据集中得到0.8987 。 但是，这不是我最好的解决方案（确定是成功的关键...大声笑）。 我在Github上发布的代码为0.9010 ，如果我提交此解决方案，则该代码应排在银牌区域。 此仓库包含培训部分和测试部分的代码，我使用一些技巧，如下所示： AMP，用于更快的训练（Kaggle中的GPU时间限制，我的GPU不好） 数据8月可提供更好的性能（我放弃了cutmix或snapmix之类的技巧，这些技巧浪费大量时间并且没有改善性能） K折模型合奏：$ k = 5 $ 模型集合：EfficientB4（由我自己训练）+ Resnext（在讨论区域中开放访问） 测

Kaggle比赛视频实战课程，已听过，效果十分不错。很适合机器学习入门。听了就赚了

kaggle广告点击率转化预测第二名代码

宫颈癌 用Kaggle数据集进行宫颈癌分类

Severstal：钢缺陷检测-Kaggle 准确度：89.5％| 排名1的90.8％ 排名：345/2427 战队：岩浆蓝调 ， ， 平板钢板的生产过程特别精细。 从加热，轧制到干燥和切割，几台机器在准备装运时就接触扁钢。 如今，谢韦尔（Severstal）使用高频摄像机的图像来驱动缺陷检测算法。 竞争涉及开发模型以对钢板上的表面缺陷进行定位和分类。

Depression_Dataset 从Kaggle.com探索抑郁数据集

深度学习解决(Kaggle)猫/狗分类问题 by Roelof Pieters。

kaggle可解释机器学习课程配套练习源码 包含注释