百度网盘链接：内有用于机械学习，测试猫狗的原始图片，包含训练数据25000，测试数据125000，可以为机械学习练习提供必要的数据集！
2021/6/14 3:30:36
116B
1
赛题引见：本赛题为新能源汽车充电桩的故障检测问题，赛题提供85500条训练数据（标签：0代表充电桩正常，1代表充电桩有故障），参赛者需对36644条测试数据进行预测。
评价标准：本赛题采用f1-Score评分
评价标准：本赛题采用f1-Score评分
2017/7/17 21:57:02
2.46MB
1
titanic数据，包括tran.csv,test.csv,gender_submission.csv,train是编码为1-891共891名乘客的训练数据，test和gender_submission分别为测试数据和需求提交结果的格式以及正确答案。
2016/1/17 19:47:45
34KB
1
深度噪声抑制（DNS）挑战-INTERSPEECH2021该存储库包含DNS质询所需的数据集和脚本。
有关挑战的更多详细信息，请参阅我们的和挑战。
有关测试框架的更多详细信息，请访问。
回购详情：数据集目录包含干净的语音，噪声和房间脉冲响应，用于为宽带场景创建训练数据。
它还包含参与者在开发阶段可以使用的测试集。
datasets_fullband目录包含干净的语音，噪声和房间脉冲响应，用于为全频段场景创建训练数据。
NSNet2-baseline目录包含推理脚本和用于宽带语音加强方法的ONNX模型。
dns_challenge_data_downloader-如果您无法克隆整个存储库或速度太慢，这是下载数据的脚本。
请给我们发送电子邮件，要求在脚本中使用SAS_URL。
noisyspeech_synthesizer_singleprocess.py-用于合成噪声干净
有关挑战的更多详细信息，请参阅我们的和挑战。
有关测试框架的更多详细信息，请访问。
回购详情：数据集目录包含干净的语音，噪声和房间脉冲响应，用于为宽带场景创建训练数据。
它还包含参与者在开发阶段可以使用的测试集。
datasets_fullband目录包含干净的语音，噪声和房间脉冲响应，用于为全频段场景创建训练数据。
NSNet2-baseline目录包含推理脚本和用于宽带语音加强方法的ONNX模型。
dns_challenge_data_downloader-如果您无法克隆整个存储库或速度太慢，这是下载数据的脚本。
请给我们发送电子邮件，要求在脚本中使用SAS_URL。
noisyspeech_synthesizer_singleprocess.py-用于合成噪声干净
2022/9/20 18:58:54
657.72MB
1
中科院（亚洲人）人脸数据集[计算机视觉人脸辨认]该资源共有500组图片数据，每组数据有5份，共计2500份训练数据。
分别为part1(1-99)、part2(100-199)、part3(200-299)、part4(300-399)、part5(400-499)；
因数据量过大，分5次上传，欢迎大家下载。
分别为part1(1-99)、part2(100-199)、part3(200-299)、part4(300-399)、part5(400-499)；
因数据量过大，分5次上传，欢迎大家下载。
2015/7/8 15:20:25
187.82MB
1
本资源是利用numpy库进行自编决策树代码,每行都有正文，包含训练数据(txt格式和xls格式)和测试数据（基于李航统计学习第二版的决策树示例）。
代码亲测可行。
代码亲测可行。
2020/1/21 12:02:27
18KB
1
该语料共包含中文和英文两种语言，次要是商品评论，评论篇幅都比较短，可以被应用于篇章级或者句子级的情感分析任务。
数据集被分为训练数据、测试数据、带标签的测试数据三个文件，共有正向和负向两种极性。
情感分析资源大全：http://blog.csdn.net/qq280929090/article/details/70838025
数据集被分为训练数据、测试数据、带标签的测试数据三个文件，共有正向和负向两种极性。
情感分析资源大全：http://blog.csdn.net/qq280929090/article/details/70838025
2020/2/11 16:19:38
5.22MB
1
虚假新闻检测器使用LSTM-RNN通过使用LSTM（长期短期记忆）递归神经网络，开发了深度学习模型来识别文章何时可能是假新闻。
数据集数据集在kaggle网站上给出任务在nltkFramework的协助下，通过删除标点符号，停用词等对文本数据进行预处理执行一种热编码，包括填充序列应用词嵌入语料库文件训练具有100个神经元的单层LSTM模型训练数据的准确性为99％，测试数据的准确性为90％
数据集数据集在kaggle网站上给出任务在nltkFramework的协助下，通过删除标点符号，停用词等对文本数据进行预处理执行一种热编码，包括填充序列应用词嵌入语料库文件训练具有100个神经元的单层LSTM模型训练数据的准确性为99％，测试数据的准确性为90％
2018/8/11 9:08:51
2.75MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB