拍拍贷发起的一次与信贷申请审核工作相关的竞赛数据集,包括信用违约标签(因变量)、建模所需的基础与加工字段(自变量)、相关用户的网络行为原始数据。
本着保护借款人隐私以及拍拍贷知识产权的目的,数据字段已经过脱敏处理。
2024/9/29 18:05:03 13.95MB 拍拍贷建模数 机器学习
1
不同方向成对图像拼接(保持车ID不变),可作一般用途,可作为数据增强数据集,生成不同角度的图像,利用GAN网络
2024/9/29 18:03:24 104.75MB deep learnin dataset
1
手写数字识别,使用神经网络实现,包含实现的源代码和数据集。
2024/9/29 12:21:42 18.89MB 手写数字识别 神经网络 机器学习
1
GPS轨迹数据集,用于深度学习的模型训练,数据集里有GPS轨迹数据和标签。
2024/9/29 12:51:53 216KB GPS 轨迹 数据集
1
Kaggle-House-Prices-Advanced-Regression-Techniques原始数据集,包括train.csv,test.csv,data_description.txt
2024/9/29 3:12:17 166KB Kaggle House Prices 数据集
1
Cuprite(矿区图)是高光谱解混研究的最基准数据集,涵盖美国内华达州拉斯维加斯的Cuprite矿区,原始数据有224个波段,从370nm至2480nm。
在移除有噪声的通道(1--2和221-224)和吸水通道(104-113和148-167)后,仍然有188个通道。
250×190个像素的区域被认为存在14种矿物。
由于类似矿物的变体之间存在细微差别,最终确定为12名成员,总结如下"#1Alunite","#2Andradite","#3Buddingtonite","#4Dumortierite","#5Kaolinite1","#6Kaolinite2","#7Muscovite","#8Montmorillonite","#9Nontronite","#10Pyrope","#11Sphene","#12Chalcedony".
2024/9/27 13:43:54 12.92MB 高光谱解混 Cuprit
1
包含十种物体,每一类100张图片,已经分好测试集和训练集了,小样本量的数据集,挺好用
2024/9/26 4:06:29 13.41MB 十分类数据集
1
社团发现算法实现,包含亚马逊,dolphin,football和polblogs数据集
2024/9/25 11:29:11 4.66MB 社团发现 算法 实现 java
1
Cloudera和英特尔公司的工程师们正在通力合作,旨在使Sparkshuffle阶段具有更高的可扩展性和稳定性。
本文对相关方法的设计进行了详细描述。
区别常见的Embarrassingly Parallel系统,类似MapReduce和Apache Spark(Apache Hadoop的下一代数据处理引擎)这样的计算引擎主要区别在于对“all-to-all” 操作的支持上。
和许多分布式引擎一样,MapReduce和Spark的操作通常针对的是被分片数据集的子分片,很多操作每次只处理单个数据节点,同时这些操作所涉及到的数据往往都只存在于这个数据片内。
all-to-all操作必须将数据集看作一个
2024/9/25 10:14:06 326KB 双倍提升ApacheSpark排序性能
1
java实现Apriori算法,原始数据集存储在dataset.txt文件中
2024/9/22 13:05:26 8KB Apriori 数据挖掘 java
1
共 1000 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡