- 综合排序
- 最热优先
- 最新优先
- 来自专栏嵌入式视觉
【Kaggle竞赛】Kaggle竞赛了解
Contents 1 关于Kaggle竞赛 1.1 比赛奖牌规则如下： 2 图像识别竞赛流程 3 数据准备 3.1 模型设计 3.2 迭代训练 3.3 模型测试 4 总结 关于Kaggle竞赛 Kaggle 是一个数据分析的竞赛平台，网址：https://www.kaggle.com/，网站主页面如下： kaggle上的竞赛主要分为A类赛和B类赛。 我现阶段专注于图像识别，所以我参加了三个kaggle竞赛都是CV领域的，下面是我总结的Kaggle的CV类竞赛的流程。 VGGNet等，模型） 迭代训练（迭代训练模型） 模型验证（在测试集上测试训练得到的模型） 比赛奖牌规则如下： 图像识别竞赛流程 图像识别竞赛，主要是对未知图像进行分类，然后在测试集上测试后，提交结果到Kaggle 模型测试 迭代训练后的模型泛化性和效果如何，需要在测试集上测试之后才能知道，这也是Kaggle竞赛与网上乱七八糟的一些demo的不同之处，模型需要对较大的测试集进行测试，并将图像分类的测试结果写入csv
2.2K31编辑于 2022-09-05 - 来自专栏自学笔记
kaggle
kaggle：房价预测 首先，先把数据搞下来 ? 整整80个特征。label标签是不是正态分布，如果不是正态分布很多算法就用不上了,因为回归分析就是基于正态分布的。 ? kaggle：房价预测 Another Solution https://www.kaggle.com/lavanyashukla01/how-i-made-top-0-3-on-a-kaggle-competition 在kaggle上找了另外一个大佬的Solution，和我的差不多，但是别人的够专业。 https://www.kaggle.com/greenarrow2018/10-monkeys-with-resnet50-93 具体做法已有，已达到97%的准确率了，看了一下其他的kernel，好像最屌的也就和我差不多了
1.1K20发布于 2020-06-28 - 来自专栏猴子数据分析
Kaggle如何入门？
从下面5个方面系统聊聊： 1）Kaggle是个什么东东？ 2）什么人会使用Kaggle? 3）在Kaggle上做项目对你找工作有什么用？ 4）如何在Kaggle中高效搜索数据集？ 5）零基础如何入门Kaggle？ （具体聊聊在做kaggle项目的时候遇到哪些问题，问题出现的时候我是如何思考的？最后又是如何解决的？） 6）一个入门的例子：手把手教会你入门Kaggle 1.Kaggle是什么？ Kaggle 是一个流行的数据科学竞赛平台。 3.在Kaggle上做项目对你找工作有什么用？ 现在你已经知道在Kaggle上做项目对你人生的重要意义了。那么接下来的问题就来了。 4.如何在Kaggle中高效搜索数据集？
3.3K11发布于 2021-03-21 - 来自专栏杨熹的专栏
Kaggle 神器 xgboost
在 Kaggle 的很多比赛中，我们可以看到很多 winner 喜欢用 xgboost，而且获得非常好的表现，今天就来看看 xgboost 到底是什么以及如何应用。 另外一个优点就是在预测问题中模型表现非常好，下面是几个 kaggle winner 的赛后采访链接，可以看出 XGBoost 的在实战中的效果。 Link to the Kaggle interview. Link to the Kaggle interview. ---- 怎么应用？
1.5K61发布于 2018-04-03 - 来自专栏嵌入式视觉
【Kaggle竞赛】数据准备
前言：在我们做图像识别的问题时，碰到的数据集可能有多种多样的形式，常见的文件如jpg、png等还好，它可以和tensorflow框架无缝对接，但是如果图像文件是tif等tensorflow不支持解码的文件格式，这就给程序的编写带来一定麻烦。
1.5K21编辑于 2022-09-05 - 来自专栏我还不懂对话
『 kaggle』kaggle-DATA-SCIENCE-BOWL-2018（U-net方法）
最终将mask转换为RLE编码参考于代码https://www.kaggle.com/rakhlin/fast-run-length-encoding-python Conclusion 最终的方法即上面介绍的方法 原文出处：https://blog.csdn.net/shine19930820/article/details/80098284 Reference https://www.kaggle.com/rakhlin fast-run-length-encoding-python 『 论文阅读』U-Net Convolutional Networks for Biomedical Image Segmentation https://www.kaggle.com /rexhaif/morphological-postprocessing-on-unet-lb-0-429/notebook https://www.kaggle.com/voglinio/separating-nuclei-masks-using-convexity-defects https://www.kaggle.com/keegil/keras-u-net-starter-lb-0-277?
2.2K20发布于 2021-10-19 - 来自专栏机器学习/数据可视化
kaggle-3-Appstore
The ever-changing mobile landscape is a challenging space to navigate. . The percentage of mobile over desktop is only increasing. Android holds about 53.2% of the smartphone market, while iOS is 43%. To get more people to download your app, you need to make sure they can easily find your app. Mobile app analytics is a great way to understand the existing strategy to drive growth and retention of future user.
76420发布于 2021-03-01 - 来自专栏人工智能头条
揭秘Kaggle神器xgboost
在 Kaggle 的很多比赛中，我们可以看到很多 winner 喜欢用 xgboost，而且获得非常好的表现，今天就来看看 xgboost 到底是什么以及如何应用。 另外一个优点就是在预测问题中模型表现非常好，下面是几个 kaggle winner 的赛后采访链接，可以看出 XGBoost 的在实战中的效果。 competition https://www.kaggle.com/c/dato-native Link to the Kaggle interview http://blog.kaggle.com/ Alexander Guschin, 1st place of the CERN LHCb experiment Flavour of Physics competition https://www.kaggle.com /c/flavours-of-physics Link to the Kaggle interview http://blog.kaggle.com/2015/11/30/flavour-of-physics-technical-write-up
1.3K20发布于 2018-07-20 - 来自专栏AI研习社
Kaggle参赛入门经验
对新手来说，第一次参加kaggle竞赛会遇到一些问题，我会尽可能的为你揭开kaggle的神秘面纱。总之，我希望能让你感受到kaggle的魅力，让kaggle推动你在数据科学领域不断前进。 在公共排行榜跟进社区动态 让我们首先从101新手赛了解kaggle平台吧。在一般的kaggle竞赛中，你一般会收到两份数据：训练集与测试集。 大量团队的成绩集中在深蓝色线条上，而这可以用kaggle notebook来解释（以前被称为kaggle kernels）。 从前从未听到过kaggle笔记本么？ 我想不出比加入kaggle更好的方法来提高我们的机器学习技能。 封面图来源：Kaggle 官方博客
1.2K20发布于 2019-11-18 - 来自专栏数据STUDIO
Kaggle Solo第一！
参考文献 https://www.kaggle.com/competitions/predict-energy-behavior-of-prosumers/discussion/472793 https ://www.kaggle.com/competitions/predict-energy-behavior-of-prosumers/overview 作者：hyd
24111编辑于 2024-05-20 - 来自专栏嵌入式视觉
【Kaggle竞赛】模型测试
这里我是根据kaggle比赛来写的模型测试代码，所以可能跟实际的工程项目有所差别，注意区分。 这里的模型测试程序，是我参加dogs-vs-cats-redux-kernels-edition比赛而编写的，其他Kaggle比赛有所区别，但大致逻辑和流程没有差别。
79230编辑于 2022-09-05 - 来自专栏机器学习/数据可视化
kaggle-1-Titanic
kaggle上的Titanic数据处理、特征工程，建模等 中位数填充缺失值 特征工程处理 建模过程 导入相关库 import numpy as np import pandas as pd import
1.2K10发布于 2021-03-02 - 来自专栏机器学习/数据可视化
kaggle-top50 of music
kaggle-top50 top50的数据是kaggle官网上关于一个音乐的数据集。
77911发布于 2020-10-30 - 来自专栏嵌入式视觉
【Kaggle竞赛】迭代训练模型
最后一旦找到了模型的最佳参数，就在测试集上最后测试一次，并将得到的测试结果储存为CSV文件，提交到Kaggle平台上，看分数如何，以便进行后期的改正。
93610编辑于 2022-09-05 - 来自专栏Python爬虫与算法进阶
Kaggle入门之预测房价
= [0,1,2] 5>>> clf.fit(X,y) 6>>> clf.coef_ 7[ 0.5 0.5] 8>>> clf.intercept_ 91.11022302463e-16 第一次参加Kaggle 这里是我写的不走，有空来看看 Kaggle入门之预测房价。完整代码阅读原文。 ?
1.2K40发布于 2018-11-23 - 来自专栏机器学习与统计学
Kaggle神器LightGBM最全解读！
GBDT不仅在工业界应用广泛，通常被用于多分类、点击率预测、搜索排序等任务；在各种数据挖掘竞赛中也是致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。 Best parameters found by grid search are:', gbm.best_params_) （3）基于LightGBM原生接口的回归 对于LightGBM解决回归问题，我们用Kaggle 比赛中回归问题：House Prices: Advanced Regression Techniques，地址：https://www.kaggle.com/c/house-prices-advanced-regression-techniques
5.2K30发布于 2020-12-08 - 来自专栏嵌入式视觉
【Kaggle竞赛】shutil模块详解
代码示例如下： import shutil,os src_path = 'E:/Kaggle Competiton/model.py' dst_path= 'E:/Kaggle Competiton/The
65320编辑于 2022-09-05 - 来自专栏小义思
StableDiffusion Kaggle云部署指南
前言 Kaggle是一个针对数据科学和人工智能的在线社交平台和数据科学竞赛平台，拥有数以百万计的数据科学爱好者、数据科学家、工程师和数据科学教育者。 官网地址是https://www.kaggle.com/ 。 kaggle平台给每个用户提供30小时/每周的GPU使用时间，本篇文章将利用kaggle云平台搭建stablediffusion绘图工具，免费白嫖算力。前提是需要特殊的网络设置，俗称魔法。 也可以直接打开该链接：https://www.kaggle.com/code/xinsiac/zh-stable-diffusion-webui-kaggle。 type=VAE -d /kaggle/working/stable-diffusion-webui/models/VAE 4.controlNet 默认存放地址：/kaggle/working/stable-diffusion-webui
1.6K11编辑于 2024-04-10 - 来自专栏大龄程序员的人工智能之路
巧用Kaggle进行模型训练
好消息来了，您可以将Jupyter Notebook文件导入Kaggle。如果您是数据科学的新手，那么Kaggle对你而言是一个举办有奖金的数据科学竞赛的网站。 实际上，Kaggle还是一个拥有丰富信息的伟大社区，非常愿意帮助您提升数据科学水平。 Kaggle的另一个功能是它们具有免费的在线云计算（虽有一些限制）。 首先，Kaggle由Google拥有。因此，如果您对Alphabet的服务器上安装的面部识别模型感到不满意，那么Kaggle的核可能不适合您。 以下是使用Kaggle时的硬件和时间限制： 9小时执行时间 5 GB自动保存的磁盘空间（/kaggle/正在运行） 16 GB的临时暂存磁盘空间（/kaggle/工作区外部） CPU规格 4个CPU核心 如果您使用的是Kaggle数据集，则文件将位于/kaggle/input/your-kaggle-dataset中。
9.7K32发布于 2019-10-31 - 来自专栏社区的朋友们
Kaggle 实战：Quora Question Pairs
题目地址：https://www.kaggle.com/c/quora-question-pairs#description 这个训练数据有大致 40W 条记录，而测试数据有 240W 之多，其中有很大一部分是为了防止参赛者人工标注而用电脑自动生成的题目 评价标准 这次的评价标准用的是 LogLoss 详细公式见：https://www.kaggle.com/wiki/LogLoss 这个损失函数需要针对每行记录计算预测出问题重复的概率值，而不是 0-1
2.2K10发布于 2017-06-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号