对kaggle项目《泰坦尼克号》数据集的机器学习

kaggle digit-recoginzer 数字识别数据，用于入门的手写数字识别，常用的deep learning，神经网络，机器学习数据集

Stroke_Prediction_6ML_models 该项目使用六个机器学习模型（XGBoost，随机森林分类器，支持向量机，逻辑回归，单决策树分类器和TabNet）进行笔画预测。 为此，我使用了Kaggle的“ healthcare-dataset-stroke-data”。 为了确定哪种模型最适合进行笔画预测，我绘制了每种模型的曲线下面积（AUC）。 AUC越高，模型越好

Digit Recognizer (Kaggle)用于验证的标签数据knn_benchmark.csv

svm算法手写matlab代码kaggle-场景分类（排名第一的提交） 从头开始实施k-means算法，并在数字数据上对其进行测试。 此外，使用它来学习用于场景表示的视觉词汇，然后将带有RBF内核的LibSVM用于流行的电视连续剧-大爆炸理论中的场景分类 要了解有关比赛的更多信息，请点击以下链接： 数据： 有两个带有数据的文件。 第一个digit.txt包含来自包含手写数字的图像的157个像素（原始785的子集）的1000个观测值。 第二个文件labels.txt包含真实数字标签（1、3、5或7）。 请注意，数字没有ID。 请假设第一行是ID 1，第二行是ID 2，依此类推。 标签与数字文件相对应，因此labels.txt的第一行是digit.txt第一行中数字的标签。 培训和测试图像将包含在bigbangtheory子目录中（由于限制，我没有在此处上传这些图像，如果您需要这些图像，请随时给我发送电子邮件）。 培训图像ID和标签在train.mat中给出。 该文件包含两个变量：imgIds和lbs。 imgIds是列向量，每行在训练集中都有一个图像名称。 lbs是表示带有相应索引的图像

利用VGG16对kaggle比赛提供的猫狗图片进行迁移学习-PyTorch版本 1.已改写为gpu-cpu通用 2.数据集处理参考注释；含后续训练、训练集/验证集accuracy计算，图片测试 3.数据集请参考https://www.kaggle.com/c/dogs-vs-cats

kaggle案例-学生在考试数据集 数据集包括8个变量 gender 性别 race/ethnicity 种族 parental level of education 父母教育水平 lunch 午餐 test preparation course  math score 数学 reading score 阅读 writting score 写作 具体看https://blog.csdn.net/zhangvalue/article/details/103427969

CNN实现手写数字识别-kaggle竞赛，正确率是99.6，在kaggle排名200左右

七月在线kaggle案例实战班完整课件，pdf完整讲义。机器学习kaggle案例实战一个从数据处理、特征提取等完整的7个案例加一个总结。

该数据来源于kaggle，是一家注册在英国的电子商务网站的2010年12月份-2011年12月份之间的交易数据该公司主要销售独特的全天候礼品，大部分出售对象是批发商。 数据包含541910行，8个字段，字段内容为： InvoiceNo: 订单编号，每笔交易有6个整数，退货订单编号开头有字母’C’。 StockCode: 产品编号，由5个整数组成。 Description: 产品描述。 Quantity: 产品数量，有负号的表示退货 InvoiceDate: 订单日期和时间。 UnitPrice: 单价（英镑），单位产品的价格。 CustomerID:客户编号，每个客户编号由5位数字组成。 Country: 国家的名称，每个客户所在国家/地区的名称。