React GraphQL挑战-SpaceX API 概括 使用SpaceX graphql API，创建一个简单的react应用，该应用将显示以下数据。 GET：igraphql查看器POST：graphql api端点 过去的发射 { launchesPast(limit: 10) { id mission_name launch_date_local launch_site { site_name_long } links { article_link video_link } rocket { rocket_name rocket_type } launch_success details } } 下次发射 { launc

推荐系统顶级盛会RecSys2015的challenge的解决方案 现在看来还有很好的参考意义，希望大家有所借鉴。

DS-Take-Home：我对《数据科学实战挑战的合集》一书的解决方案

入门代码：Kaggle 更多比赛 :sparkler: 检查收集 ，您可以在其中找到具有代码，实验和输出的多个Kaggle竞赛。 在这里，在我们喜欢参加Kaggle比赛。 特别有趣，因为它涉及在线骚扰的重要问题。 将我们的预测整合到云端！ 您需要注册到neptune.ml才能使用我们对整体模型的预测。 点击start notebook 选择browse按钮 从该存储库中选择neptune_ensembling.ipynb文件。 选择工作程序类型：建议使用gcp-large 。 运行前几个单元格以将我们的预测与标签一起加载到保留的验证集中 在许多可能的参数选项上进行网格搜索。 您选择的运行次数越多

NTIRE2021-IQA-MACS（tensorflow 2） 评估 从此处下载预：[1] （〜135 MB） 提取models.zip文件并将模型放在./models/中。 对单个图像的评估 运行 python3 evaluation_single_image.py --ref ./test_images/ref.bmp --distorted ./test_images/dist.bmp 输出为： ------------------------------------- Image Quality Score: 1381.0543870192307 对NTIRE图像的评估 在设置验证参考图像和失真图像的目录 运行 python3 evaluation_ntire.py 输出分数将记录在output.txt中。 从头开始培训网络 准备数据集 下载数据集： [1

amazon_access 关于Amazon Employee Access Challenge的EDA和分类实践

挑战Selenium 具有Selenium webDriver的Java RPA与Selenium基本概念，无需JS优化，可处理RPA挑战 在7331毫秒内处理所有寄存器

用于生成博客连接供阅读者下载

需求预测挑战 最佳入围 我最好的参赛作品是RMSE = 0.91890，挑战中排名第一的参赛作品是0.75368。 我的参赛作品约占榜首的25％。 我将XGBoost算法用于滞后特征工程。 介绍 使用Kaggle的竞赛。 该竞赛包含一个具有挑战性的时间序列数据集，其中包含每日销售数据，该数据集由俄罗斯最大的软件公司之一-1C公司提供。 任务是预测下个月每个产品和商店的总销售额。 先决条件 码头工人 薄片8 pytest 数据 数据当前已压缩，可以通过以下方式进行膨胀： cd source/ unzip data.zip 训练 在根目录中，使用以下命令打开一个tensorflow 2.3.0 docker容器的bash入口点： make run 如果在GPU机器上，请通过运行以下命令使GPU可见： make run.gpu 训练： python -m source.xgboos

Yelp挑战（美食家挑战） Yelp数据集挑战：NLP； 情绪分析； 餐厅推荐系统 该项目使用Yelp数据集质询数据，其中包含来自美国各地Yelp用户的餐厅评论，在Yelp上注册的餐厅的业务信息。 在这个项目中，我选择了从2016年到2018年的评论来训练和测试我的模型。 总体而言，原始数据的大小约为1GB。 该项目分为三个主要部分： 数据预处理 NLP和情绪分析（朴素贝叶斯分类器） 推荐系统