数据集 将下载到datasets文件夹。 所有*.csv文件都不会被推送到存储库。 成员：顾云、黄帅、耿世杰 文件夹：

tianchi_yidong 天池移动推荐算法 运行环境 python2.7 提取了约180维特征，包括： 用户特征，商品特征，类目特征，用户商品特征，用户类目特征，商品类目特征等 分别运行： data_split.py feature_extract.py gen_data.py xgb.py forfast文件夹下run1，run2,run3的python文件是吧gen_data.py中训练集，验证集和测试集的分割分成3个程序，这样在多核电脑中可以分别运行三个文件以更快切分数据集 feature_important

OCR_TIANCHI_ICPR 用法： 从下载训练有素的模型。 在single_ctpn中运行text_detector.ipynb。 样品： 结果： $锚点：（x1，y1，x2，y2，x3，y3，x4，y4）$每个文本区域的$将存储在结果文件夹中，其中txt文件的名称是相应的图像文件。

瑞金医院MMC人工智能辅助内置知识图谱大赛（第一赛季） :warning:由于可能存在的版权问题，请自行联系大赛主办方索要数据，在问题中索要数据的请求将不再回复，谢谢！ :light_bulb: github对.ipynb渲染效果不是很好，代码建议通过查看。 复赛代码见 背景 本次大赛逐步通过糖尿病相关的教科书，研究论文来做糖尿病文献挖掘和发展糖尿病知识图谱。 初赛赛题在学术论文和临床指南的基础上，做实体的标注。实体类别共十五类。 类别名称和实体定义： 实体类型 标注名称 说明 疾病名称 疾病 如I型糖尿病 病因 原因 疾病的成因，危险因素及机制。某些“糖尿病是由于糖尿病抵抗导致”，胰岛素抵抗是属于病因 临床表现 症状 包

TianChi_loadDefault 大家好，我是coggle开源小组成员庐州小火锅，这篇文章将介绍天池学习赛贷款违约预测的TOP6单模方案（具体介绍见我的csdn文章： ://blog.csdn.net/ ）。现附上比赛链接天池学习赛贷款违约预测。 。核心代码见模型文件夹下的ipynb文件，user_data，功能文件夹负责放置中间文件，生成结果见user_data中的xgb.csv。

TianChi Diabetes Game 大赛网址： Introduction 天池精准医疗大赛，其分为三个阶段初赛、复赛和决赛。初赛的题目是针对2型糖尿病的回归问题，根据受检者的体检数据和临床信息对血糖值进行预测。复赛的题目是针对妊娠糖尿病的二分类问题，通过体检信息和基因信息预测出是否患有妊娠糖尿病。决赛是在现场进行答辩。 本人是积极向上团队中的队员，积极向上团队再精准医疗大赛中取得了初赛top-11和复赛top-6的成绩。当前代码仓库仅仅包含了本人参赛中的思路和代码，当公布初赛结果时，我发现初赛预测结果比我们提交的效果更好，后来也没有仔细分析，仅仅把当时的代码稍微整理一下。团队复赛最终提交版的天池社区技术圈：。 Path TianChi-Diabetes | |-- preliminary：初赛代码 | |-- repecharge：复赛代码 Preliminary 预处理：矩阵补全

ICPR2018：网络图像的文本识别 / 网络图像的文本检测 TODO： 根据描述文件在图片中圈出所有文本的位置，效果图如下 将描述文件转成pascal格式的xml文件 训练YOLO或者SSD模型 训练OCR模型或直接调用OCR库

TIanChi_Traffic_Competition 阿里天池智慧交通预测挑战赛 #@创建于2017-9 #@Author：lieying #@School:USTB #@E-mail: 复赛：Top7 /1716队 #---- 此算法为智慧交通预测挑战赛复赛程序 1、先运行sub_handle.py生成提交样本，然后运行link_top_process.py生成道路基本信息。 （@@@最重要的的是get_feat_XGBmodel.py这个文件用于提取特征，写了相应的函数，直接调用。） 2、先运行get_feat.py进行划分数据集 3、运行get_feat_2016_7.py和get_feat_2017_3.py进行提取2016年的七月和2017年的3月 4、然后运行main.py进行提取和去除噪点。然后送入XGBoost和lightgbm模型进行训练得到四个模型的结果，然后融合处理

天池_大数据 阿里天池大数据竞赛—全国社会保险大数据应用创新大赛原始码（2017/09/18）

实验环境 CUDA版本：11.0驱动程序版本：450.80.02 GPU：TITAN XP Python：3.7.9 pytorch：1.7.0操作系统：ubuntu 20.04 安装依赖包 pip install -r requirements.txt 解决方案及算法说明 数据预处理：数据清洗（剔除中文，非英文，非数字符号） 文本截断：通过对各任务句子长度的分析，选择句子长度256作为截断标准，不足补0 数据输入 由于任务二和任务三存在轴向的类别不均衡问题，因此训练集和验证集的划分采用分层的KFold交叉验证。由于需要多任务学习，因此模型的输入增加了任务标识dataset_ids。因此模型的输入其中任务一由于是句子对任务，token = [cls +句子1 + sep +句子2]，其余两个任务token = [cls +句子+ sep]表示为（token_ids，segment_id，