向日葵图片资源（数据集）

信用卡默认预测变量 机器学习/深度学习模型可预测默认的银行账户 项目概况 在Kaggle上找到的经过清理和分析的数据： ://www.kaggle.com/uciml/default-of-credit-card-clients-dataset 提供了有关Ames Housing数据集的详细视觉分析，以获取要素与数据结构之间的关系洞察力 通过将列合并为具有洞察力的信息，实现了工程设计的功能，例如总平方英尺和浴室总数 使用GridsearchCV优化随机森林，梯度提升回归，岭回归，套索回归和弹性网以达到最佳模型 使用的代码和资源 Python版本： 3.8软件包： pandas，numpy，sklearn，matplotlib，seaborn和keras原始Kaggle数据集： ： //www.kaggle.com/c/house-prices-advanced-regression-t

包含Kaggle比赛：房价预测数据集，实战的介绍文档及预测结果。 房价预测数据集分为训练数据集和测试数据集。两个数据集都包括每栋房子的特征，如街道类型、建造年份、房顶类型、地下室状况等特征值。这些特征值有连续的数字、离散的标签甚至是缺失值“na”。只有训练数据集包括了每栋房子的价格，也就是标签。

针对获得训练数据集代价高昂问题，提出了一种用于图像显著性检测的弱监督新方法，在训练网络模型时仅使用图像级标签。方法分为两个阶段，在第一阶段，根据图像级标签训练分类模型，获得前景推断图；在第二阶段，对原图像进行超像素块处理，并与阶段一得到的前景推断图进行融合，从而细化显著对象边界。算法使用了现有的大型训练集和图像级标签，未使用像素级标签，从而减少了注释的工作量。在四个公共基准数据集上的实验结果表明，性能明显优于无监督的模型，与全监督模型相比也具有一定的优越性。

DFT的matlab源代码ElemNet ElemNet是一个深层神经网络模型，仅将元素组成作为输入，并利用人工智能自动捕获基本化学成分以预测材料性能。 ElemNet可以自动学习不同元素之间的化学相互作用和相似性，这使得它甚至比传统的基于物理属性学习领域知识的机器学习模型更准确地预测训练数据集中不存在的化学系统的相图。 该存储库包含用于执行数据处理，模型训练和分析的代码，以及经过训练的模型。 如果您有大型数据集（例如OQMD），则应从头开始训练模型。 否则，对于较小的DFT计算或实验数据集，最好使用从预训练模型中进行的转移学习来训练模型，如下所示。 安装要求 重复使用这些环境的基本要求是Python 3.6.3 Jupyter环境，其中的软件包列在requirements.txt 。 某些分析需要使用，而Java需要Java JDK 1.7或更高版本。 参见[喜p文档以了解详细信息]。 源文件 培训ElemNet模型的代码以及在我们的工作中[1]产生的经过训练的模型都可以在上找到。 其他文件夹包含与为表征ElemNet而执行的不同分析相关联的脚本。 分析笔记本应该是自描述的，在其他情

11个葡萄品种的叶片数据集，欧塞尔罗伊赤霞珠、品丽珠、赤霞珠、霞多丽、梅洛穆勒、图尔高、黑比诺、雷司令、白苏维浓、西拉、丹帕尼罗，葡萄生长环境实地拍摄，高清图片，每类大约100张叶片图片，共1009张图片 11个葡萄品种的叶片数据集，欧塞尔罗伊赤霞珠、品丽珠、赤霞珠、霞多丽、梅洛穆勒、图尔高、黑比诺、雷司令、白苏维浓、西拉、丹帕尼罗，葡萄生长环境实地拍摄，高清图片，每类大约100张叶片图片，共1009张图片

12万个俄罗斯笑话数据集， 12万个俄罗斯笑话数据集， 12万个俄罗斯笑话数据集，

15类植株图片数据集，2186训练，75测试，75验证图片224X 224X 3 jpg格式+ 1个csv文件 15类植株图片数据集，2186训练，75测试，75验证图片224X 224X 3 jpg格式+ 1个csv文件 15类植株图片数据集，2186训练，75测试，75验证图片224X 224X 3 jpg格式+ 1个csv文件

16个人格分类数据集，它包含了16项人格测试的问题和他们使用的量表的答案，但用数字编码完全同意3部分同意2轻微同意1中立->0稍不同意-1部分不同意-2完全不同意-3 16个人格分类数据集，它包含了16项人格测试的问题和他们使用的量表的答案，但用数字编码完全同意3部分同意2轻微同意1中立->0稍不同意-1部分不同意-2完全不同意-3

20种(7750粒)过敏花粉数据集 20种(7750粒)过敏花粉数据集 20种(7750粒)过敏花粉数据集