天池农业比赛代码，可借鉴deeplab。

天猫用户行为 tianchi_mobile_recommend_train_user.csv

tianchi_bigdata 任务： 特征（39维）： user特征、item特征、user-item特征、全局比例特征 数据采样 采用移动窗口target（17、15、13、11、9）+移动窗口样本采样（1、3、7、全部） 训练数据 正样本：15000，负样本：130000 测试数据 同样采用移动窗口变换采样，取了3天、5天、9天的做实验，最优提交为9天的，测试样本大小：155万 结果划分 结果最终取置信度0.78,取470条结果(子集结果)，最终f1值：11.46% 排名:25/7200，队伍名：叮当 学习模型 RF 程序架构 combine_feature_txt:混合正负样本特征 cut_data_set.py:按照移动窗口方式，分割数据集 fetch_feature.py：提取特征 fetch_negative_sample:负样本抽样 fetch_sample:提取正、负样本

FashionAI2018 服装属性标签识别 环境 caffe+keras python 2.7 numpy 1.14.2 opencv 3.4.0 cuda9.0 cudnn 7.0 文件说明： caffe部分： 使用InceptionV4举例，该网络在复赛中可以实现94.11的准确率。 训练网络使用training.sh 修改相应的路径，即Log、TOOLS、-weights后面的路径，其中，Inception-V4的pretrain-model请到下载 。 使用方法bash training.sh [solver][Class][GPU]。 solver ： solver文件路径，本代码中存放于solver文件夹 class： 类别名，用来命名log日志文件，即neck,collar... GPU ： GPU的型号，如0,1,2 2. caffe源码处理 ，并用文件中的src和inc

汽车产品数据https://tianchi.aliyun.com/?spm=5176.12281973.J_3941670930

零基础入门推荐系统 - 新闻推荐 Top2 比赛地址: 解决方案 采用3种召回方式：itemcf 召回，binetwork 召回和基于 word2vec 的 i2i 召回。合并去重并删除没有召回到真实商品的用户数据后，利用特征工程+ LGB 二分类模型进行排序。 复现步骤 操作系统：ubuntu 16.04 pip install requirements.txt cd code bash test.sh

二手车价格

天池贵州交通代码，第一赛季rank53，第二赛季rank13 题目说明：根据历史路段每小时每2分钟统计平均通行时间预测为了一小时每2分钟同行时间。 模型思路：  规则：统计历史路段对应时刻的通行时间作为未来1小时需要预测的目标  模型：寻找尽可能多的相似时刻的记录预测未来1小时的目标  复赛：将要预测的时段进行分类，针对类别分别建立模型 需要改进： 数据的选择和清洗 未利用上下游关系  3. 数据集：链接： 密码：g8ov 2018年1月8日

数据集 将下载到datasets文件夹。 所有*.csv文件都不会被推送到存储库。 成员：顾云、黄帅、耿世杰 文件夹：

数据集 将下载到datasets文件夹。 所有*.csv文件都不会被推送到存储库。 成员：顾云、黄帅、耿世杰 文件夹：