Kaggle-M5-预测精度 我对M5预测准确性的Kaggle竞赛的解决方案 比赛首页 探索性数据分析 包括EDA笔记本，其中突出显示了数据发现 特征工程与建模 最重要的功能是滞后功能，由滞后，滚动窗口和对销售和价格的汇总功能的组合创建。 使用LightGBM执行建模。 超参数调整是通过3倍时间序列交叉验证完成的。 推理 最终预测（接下来28天的单位销售额）是通过递归推断进行的。 结果 我的最终提交在5500多个团队中排名前3％，并为我赢得了银牌！

A Gold-Winning Solution Review of Kaggle Humpback Whale Identification Challenge，Kaggle 座头鲸识别比赛冠军方案，12页英文文档，具有很大的参考学习价值。

kaggle 手写识别数据集

kaggle经典泰坦尼克数据集，入门机器学习

该资源是kaggle上由捷信集团提供的数据，我们可以通过数据来预测其客户的还款能力。 该资源是kaggle上由捷信集团提供的数据，我们可以通过数据来预测其客户的还款能力。

： :green_square: 所有系统均可运行 该存储库包含由支持的的开源正常运行时间监控器和状态页面。 使用 ，您可以拥有自己的无限和免费的正常运行时间监控器和状态页面，完全由GitHub存储库提供支持。 我们将“用作事件报告，将“用作正常运行时间监视器，并将“用作状态页面。 网址 状态 历史 响应时间 正常运行时间 :green_square: 向上 523毫秒 :green_square: 向上 1005毫秒 :green_square: 向上 1068毫秒 :green_square: 向上 136毫秒 :green_square: 向上 1465毫秒 :green_square: 向上 270毫秒 :green_square: 向上 455毫秒 :green_square: 向上 567毫秒 :page_facing_up: 执照 技术支持： 代码：:copyrigh

深度学习-鸟类的细粒度分类：深度学习的简单尝试：鸟类的细粒度分类。 有关更多详细信息，请参见https：//www.kaggle.comtf0614880cd3f40d9919dfecb808b004a

基于 Kaggle 竞赛数据，原始数据文件较大，故本数据集只选用了 train.csv 中的 5 万条样本作为模型训练集（train.csv.gzip），1 万条样本作为模型测试集（test.csv.gzip）

Dnn_pytorch_titanic KaggleのtitanicコンペをPytorchを使用し，DNNで予测を行いました。 公式ページ 起动方法 公式ページでtitanicコンペに参加 そこで，笔记本を作成する。 作成したNotebookに，.pyのコードをコピーし，ノートに贴り付けて実行 ノートにしっかりtantanicのデータが入っているかを确认する。

Kaggle_competetions