我在git上push了我的代碼。同時做成jupyter view。
csdn取消了對jupyter view的支持,請移步。
這裏記錄我在解決1st place 方案時積累的知識. 1*1的卷積核的作用:可以增加通道或者降低通道數量,減少訓練參數. Xception: 綜述 Momentum優化SGD 遷移學習：根據數據集分四種情況，1.數據集比較小且
Display Advertising Challenge ---------2015/1/12 一：背景 CriteoLabs 2014年7月份在kaggle上發起了一次關於展示廣告點擊率的預估比賽。CriteoLabs是第三方展示
前言 第一次嘗試Kaggle，是經典的手寫數字識別的例子，其實這個MNIST數據集識別已經玩膩了，只不過這次是在Kaggle上，用他完成一整套的競賽流程，爲以後的大數據競賽做好準備，其實，對我而言，這次的MNIST數據集識別與平時
下週一平安科技的遠程面試，準備30分鐘的PPT，主要是介紹相關項目經驗，着重技術，代碼，模型，算法等方面 今天大致看了一下kaggle上面的入門級比賽，主要是熟悉一下流程 首先要註冊kaggle賬號，我用的是gmail郵箱登錄的
Instacart Market Basket Analysis kaggle賽題鏈接 數據理解 比賽使用的數據僅包含交易數據，不包含瀏覽數據。主要由以下幾張表構成： 訂單表 orders（訂單ID，用戶ID，所屬數據集，該用
分析數據-設置驗證集-檢查數據泄露 分析步驟： 瞭解領域知識 搜索關鍵詞，搜索數據的含義 檢查數據是否存在異常值，超出範圍的值 理解如何生成特徵 分析匿名數據（Anonymized data） 對於某些數據
均值編碼（mean ecoding） 1）有監督類型的編碼方式：根據label進行編碼，在類別Moscow中的feature_mean = #(target=1)/#Moscow（注意與frequency encoding編碼的區別）
前言 第一次參加Kaggle的時候，看了很多入門帖，但是還是看不懂不知道到底怎麼參加，是在Kaggle上提交代碼嗎，像互聯網公司程序員在線考試一樣？還是提交預測的結果？ 沒有一個像”Hello World”一樣簡單但是又完整的流程
文章目錄0.寫在前面1.EDA1.1 觀察數據1.2 處理缺失值1.3 挖掘數據隱含信息以便模型利用2.Deep Feature Engineering3.特徵篩選+降維（實驗記錄）4.lightGBM+best_paramete
建築樓層大規模能量預測代碼筆記 記錄的都是一些python的寫法問題，歸結於自己太菜了，python如此強大的功能，很多都沒看到過 from sklearn.preprocessing import LabelEncoder fr
百度AI Studio使用kaggle的記錄 因爲沒有實際主機，所以只能白嫖百度的這個免費算力，然後想用它跑一些代碼，比如kaggle上面的競賽題目，可是數據集不能直接下載，如果下載到本地，數據集太大不給上傳，所以只能通過命令行的
Kaggle --ASHRAE - Great Energy Predictor III 和大佬室友進行這種比賽，完全不知道該怎麼搞啊，只能在kaggle上面看了看別人的東西，這個大佬寫的還挺簡捷的，所以自己拷貝下來運行了一遍
Kaggle Digit Recognizer別人分享的tricks 自己在利用CNN做了kaggle上的入門題——Digit Recognizer,簡單的利用了CNN的網絡架構就實現了0.98+的準確率，但還是不夠啊，所以看了上
目錄 讀取數據 表格類型數據 讀數據，看行數、列數，前幾行 EDA 查看目標變量分佈 目標變量爲分類變量 查看缺失值 目標dataframe缺失數據的分佈 查看不同類型變量情況 Category/分類變量預處理 object類型的變量
IEEE Fraud Detection - Data Processing and Simplest Model In this section we will do some data cleaning jobs, which
