FashionMNIST数据集的png格式将FashionMNIST数据集整理为训练集和测试集文件夹，训练集和测试集里各含名称为0-9的10个文件夹，共60000张训练集，10000张测试集，图片格式pngFashionMNIST是一个替代MNIST手写数字集[1]的图像数据集。
它是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。
其涵盖了来自10种类别的共7万个不同商品的正面图片。
FashionMNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。
60000/10000的训练测试数据划分，28x28的灰度图片。
你可以直接用它来测试你的机器学习和深度学习算法功能，且不需要改动任何的代码。
它是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。
其涵盖了来自10种类别的共7万个不同商品的正面图片。
FashionMNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。
60000/10000的训练测试数据划分，28x28的灰度图片。
你可以直接用它来测试你的机器学习和深度学习算法功能，且不需要改动任何的代码。
2021/3/18 16:51:04
39.06MB
1
由复旦大学李荣陆提供。
收集工作花费了不少人力和物力，所以请大家在使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然言语处理小组）。
train.zip为训练语料，共9804篇文档，分为20个类别。
answer.zip为训练语料，共9833篇文档，同为20个类别。
训练语料与测试语料基本按照1:1的比例来划分
收集工作花费了不少人力和物力，所以请大家在使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然言语处理小组）。
train.zip为训练语料，共9804篇文档，分为20个类别。
answer.zip为训练语料，共9833篇文档，同为20个类别。
训练语料与测试语料基本按照1:1的比例来划分
2018/4/14 2:19:18
52.56MB
1
kaggle中的房价猜测数据集，一共三个csv文件，包括：测试集，训练集和房价真实值
2021/3/27 2:32:04
191KB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
MNIST是在机器学习领域中的一个经典问题。
该问题处理的是把28x28像素的灰度手写数字图片识别为相应的数字，其中数字的范围从0到9.MNIST包含了训练集与测试集数据。
该问题处理的是把28x28像素的灰度手写数字图片识别为相应的数字，其中数字的范围从0到9.MNIST包含了训练集与测试集数据。
2015/5/5 6:44:15
11.06MB
1
基于Matlab的车牌识别系统（神经网络）用的是Matlab来制造完成，通过对训练集的训练，最后所得到的结果还是很理想的。
可以自己上传要识别的车牌图片！
可以自己上传要识别的车牌图片！
2018/11/9 16:03:25
3.93MB
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