首页

投稿

kaggle入门实战！练完这30套kaggle比赛经典项目（附源码数据集），你的实战能力就很牛了！（人工智能丨机器学习丨深度学习丨计算机视觉丨自然语言处理）

1855

0

2025-08-05 12:09:31

未经作者授权，禁止转载

.

自然语言处理

计算机视觉

kaggle竞赛发消息

8年kaggle竞赛老兵！指导学生累计获得5金+34银+43铜，可带队保银冲金，需要的同学后台私聊

1-实战 Kaggle 比赛：预测房价

14:31

课程竞赛：加州2020年房价预测

08:40

树叶分类结果

05:31

树叶分类竞赛技术总结

26:29

-Kaggle Cifar10

27:57

Kaggle ImageNet Dog

19:09

课程竞赛：牛仔行头检测

11:04

1-Rossmann药店销量预测_kaggle的介绍

09:44

2-对数据字段的介绍_导包

05:46

3-自定义损失函数

08:30

4-对数据里面的目标变量sales的一个分析

12:06

5-数据的预处理

27:23

6-模型的训练_评估

13:15

7-kaggle竞赛网站学习

27:03

1-Kaggle网页分类竞赛介绍

06:48

2-评估指标ROC和AUC

10:50

3-评估指标ROC和AUC

12:19

4-竞赛其他相关提交成绩排行榜

11:44

5-数据导入

10:19

6-MLlib对网页分类竞赛数据预处理

18:06

7-MLlib对网页分类竞赛数据预处理_模型训练

13:54

8-MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数

12:45

9-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01

19:13

10-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02

17:08

11-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03

15:23

12-使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04

15:31

1-Kaggle实战信用卡反欺诈项目介绍

17:21

2-kaggle实战信用卡反欺诈解码数据

15:37

3-Kaggle实战信用卡反欺诈特征工程

12:32

4-Kaggle实战信用卡反欺诈特征相关性系数

23:27

5-Kaggle实战信用卡反欺诈交易金额和交易次数关系

07:30

6-Kaggle实战信用卡反欺诈交易金额和交易时间关系

11:27

7-Kaggle实战信用卡反欺诈特征分布

39:37

1-信用卡反欺诈根据特征分布清洗数据

15:01

2-信用卡反欺诈特征缩放

04:38

3-信用卡反欺诈特征重要性可视化

20:35

4-信用卡反欺诈过采样操作

11:16

5-信用卡反欺诈模型评估混淆矩阵召回率

21:05

6-信用卡反欺诈ROC-AUC模型评价指标

08:30

7-信用卡反欺诈交叉验证

10:32

8-信用卡反欺诈混淆矩阵可视化

08:46

9-信用卡反欺诈模型评估最优阈值

27:19

1-Kaggle实战商店销售预测项目背景介绍与目的

07:34

2-Kaggle实战商店销售预测数据加载与字段介绍

10:31

3-Kaggle实战商店销售预测空数据处理和销售额与时间关系

30:37

4-Kaggle实战商店销售预测数据合并

08:32

5-Kaggle实战商店销售预测特征工程

25:15

6-Kaggle实战商店销售预测构建了训练数据和测试、验证数据

12:39

7-Kaggle实战商店销售预测属性相关性查看

06:47

8-Kaggle实战商店销售预测对特征进行了正态化处理

09:32

9-kaggle实战商店销售预测自定义模型评估函数

09:45

1-Kaggle实战之Rossmann商店销售预测代码回顾

13:42

2-Kaggle实战之Rossmann商店销量预测模型训练

19:25

3-Kaggle实战之Rossmann商店销量预测模型评估

23:19

4-Kaggle实战之Rossmann商店销量预测整体模型优化

11:28

5-Kaggle实战之Rossmann商店销售预测更加细致的模型优化

25:28

6-Kaggle实战之Rossmann商店销量预测结果提交

20:52

01-1-任务目标解读

08:10

02-2-项目挑战与解决方案制定

12:37

03-3-数据标准化处理

11:21

04-4-下采样数据集制作

06:09

05-5-交叉验证

07:17

06-6-数据集切分

06:01

07-7-模型评估方法与召回率

10:31

08-8-正则化惩罚项

11:49

09-9-训练逻辑回归模型

11:21

10-10-混淆矩阵评估分析

10:23

11-11-测试集遇到的问题

05:21

12-12-阈值对结果的影响

10:35

13-13-SMOTE样本生成策略

07:39

14-14-过采样效果与项目总结

08:01

01-1-项目与数据介绍

20:19

02-2-数据挖掘流程

19:18

03-3-数据检查

12:02

04-4-构建用户特征表单

18:34

05-5-构建商品特征表单

09:43

06-6-数据探索概述

09:24

07-7-购买因素分析

10:47

08-8-特征工程

14:07

09-9-基本特征构造

17:48

10-10-行为特征

10:46

11-11-累积行为特征

11:24

12-12-Xgboost模型

06:33

01-1-数据任务概述

04:24

02-2-数据异常检查

09:17

03-3-时间特征提取

11:46

04-4-各道工序特征构建

09:42

05-5-准备训练数据

08:21

06-6-训练xgboost模型

09:02

01-1-任务与解决框架概述

12:32

02-2-特征工程分析与特征提取

20:35

03-3-离散数据处理

17:13

04-4-统计与文本特征

10:37

05-5-文本特征构建

20:42

06-6-构建低敏用户模型

12:29

07-7-高敏模型概述

07:21

【信号灯预测】数据与任务目标分析

08:29

【信号灯预测】数据清洗与标签转换

07:10

【信号灯预测】道路通行时间序列数据生成

08:02

【信号灯预测】序列缺失补全方法

08:19

顶部