共有16个数据集，适合做以下分析： （1）广州二手房数据分析 （2）电影数据分析 （3）北京二手房数据分析 （4）全球航班数据分析 （5）Twitter Layoffs 关于推特裁员的评论 （6）Walmart Sales 沃尔玛销售数据 （7）French bakery 法国面包店日销售额 （8）疫情大数据分析 （9）手机客户使用情况分析 （10）世界生育率数据集 （11）保险业务数据分析 （12）ONU Sustainability 国家发展的可持续性 （13）Global Hunger Index 全球饥饿指数 （14）Cost prediction 美国食品市场媒体宣传费用数据 （15）CarnivorousDiets 肉食动物饮食数据集 （16）Car_price 汽车产品数据分析

使用LSTM实现C-MAPSS数据集里面的剩余寿命预测（Pytorch） 每轮训练后测试集误差 score:445.4610 334.5140 358.6489 365.9250 331.4520 283.3463 460.4766 314.7196 325.5950 452.3746 RMSE:16.3614 14.8254 14.9796 15.5157 14.7853 14.2053 16.2834 14.6757 14.7481 15.8802 由实验结果可知，MS-BLSTM 的预测误差均为最低水平，并且实际训练过程中收敛速度较快，涡扇发动机接近损坏时预测准确率较高。与传统机器学习方法相比，深度学习模型如CNN 和 LSTM的预测误差相对较小。而本文所提的 MS-BLSTM 混合深度学习预测模型进一步提高了 RUL 预测精度,，这得益于 MS-BLSTM 混合模型有效利用了时间段内传感器测量值的均值和方差与RUL的相关性，并使用 BLSTM学习历史数据和未来数据的长程依赖。本文所提的 MS-BLSTM 剩余使用寿命预测模型预测精度高，可有力支撑涡扇发动机的健康管理与运维决策。

包含1000+张数字图片及标签，已划分为训练集、验证集和测试集，可直接用于yolo训练

这篇文章给大家带来的是关于SCINet实现时间序列滚动预测功能的讲解，SCINet是样本卷积交换网络的缩写(Sample Convolutional Interchange Network)，SCINet号称是比现有的卷积模型和基于Transformer的模型准确率都有提升(我实验了几次效果确实不错)。本篇文章讲解的代码是我个人根据官方的代码总结出来的模型结构并且进行改进增加了滚动预测的功能。模型我用了两个数据集进行测试，一个是某个公司的话务员接线量一个是油温效果都不错，我下面讲解用油温的数据进行案例的讲解SCINet是一个层次化的降采样-卷积-交互TSF框架，有效地对具有复杂时间动态的时间序列进行建模。通过在多个时间分辨率上迭代提取和交换信息，可以学习到具有增强可预测性的有效表示。此外，SCINet的基础构件，SCI-Block，通过将输入数据/特征降采样为两个子序列，然后使用不同的卷积滤波器提取每个子序列的特征。为了补偿降采样过程中的信息损失，每个SCI-Block内部都加入了两种卷积特征之间的交互学习。个人总结：SCINet就是在不同的维度上面对数据进行处理进行特征提取工作，从而

基于图像DIC方法的应力应变测试数据集

推荐模型推荐算法天池大数据阿里云智联人岗匹配数据集、测试集、说明字符

汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目标检测，深度学习，yolov5. 汽车轮胎分类图像数据集，一共包含两类，正常的和缺损的。用于目

机器学习多层感知器实践完整源代码，MLP识别MNIST手写数字数据集（Pytorch）

FJSP的标准测试数据集，内部包含4个子数据集（edata/rdata/sdata/vdata），每个子数据集分别包含66个算例，这些子数据集由JSP标准测试数据集修改而来（ABZ/FT/LA/ORB）。数据来源：Hurink, B. Jurisch, and M. Thole, “Tabu search for the job-shop scheduling problem with multi-purpose machines,” Operations-Research-Spektrum, vol. 15, no. 4, pp. 205–215, 1994. 其中，sdata算例中每个工序只能分配一台机器；edata算例中有少量工序可以分配给多台机器；rdata算例中许多工序都可以分配给多台机器；vdata算例中每个工序都可以分配给多台机器。

腐烂苹果数据集，用于图像识别，训练模型