kaggle机器学习、深度学习竞赛，包含多模态、目标检测、视频监测和分类、图像分割、图像分类、图像检索、NLP 共21个方案

pytorch-toolbelt 是一个Python库，包含一组用于PyTorch的工具，用于快速R＆D原型设计和Kaggle farming Pytorch-toolbelt pytorch-toolbelt 是一个 Python 库，带有一组用于 PyTorch 的花里胡哨，用于快速研发原型和 Kaggle 农业：内部内容使用灵活的编码器-解码器架构轻松构建模型。 模块：CoordConv、SCSE、Hypercolumn、Depthwise 可分离卷积等。 用于分割和分类的 GPU 友好测试时间增强 TTA 对巨大 (5000x5000) 图像进行 GPU 友好推理 日常常见例程（修复/恢复随机种子、文件系统实用程序、指标） 损失：BinaryFocalLoss、Focal、ReducedFocal、Lovasz、Jaccard和骰子损失，翼损失等等。 Catalyst 库的附加功能（批量预测的可视化、附加指标）展示：Catalyst、Albumentations、Pytorch Toolbelt 示例：Semantic Segmentation @ CamVid 为什么诚

从一系列 CT 影像中对肺部影像进行分割，并识别估计肺部容积量。

kaggle-bodyfat男性体脂率机器学习数据集，可以用于男性体脂率分析和预测

kaggle-Plant-Pathology:竞赛

适用于新手进行机器学习学习的kaggle数据集

构建机器学习模型预测是否会预期，数据集来源于kaggle SeriousDlqin2yrs代表是否逾期，其他为特征值

Kaggle网站上提供的数据集，共包含1025条数据，每条数据14个属性（13个特征+1个标签）

OSIC肺纤维化竞赛（贝叶斯模型） 介绍 OSIC肺纤维化进展竞赛是一项Kaggle竞赛，您需要完成预测FVC（强制肺活量）的任务，FVC与下一个146周的强制呼气量（FEV）测试中呼出的空气总量有关。 您将获得CT扫描图像，以了解过去几周的第一次相遇，元数据和信息。 方法 CT扫描处理 我们确定一个遮罩，以区分图像中的其他实体和肺部。 我用两种方法做到这一点：1）简单的像素阈值区分和2）KMeans聚类。 应用了进一步的图像处理（例如腐蚀和膨胀）以进一步区分这两个区域。 然后将识别出的蒙版应用于原始图像，以获得孤立的肺部图像。 这些操作的结果如下所示： 隔离肺部后，从生成的图像中确定像素统计信息，以用作后续模型中的特征。 确定了诸如均值，方差，偏斜和峰度之类的统计信息。 贝叶斯建模 使用马尔可夫链蒙特卡洛（MCMC）采样方法和变分推断来估计模型的参数。 生成模型是分层的，这意味着信息

kaggle竞赛训练集cifar-10