3D MNIST 是一个3D数字识别数据，用以识别三维空间中的数字字符。

车价预测：数据集来自Kaggle

自然语言处理 我在这里分享了我在IE Univesity的自然语言处理课程中使用的一些代码。 我也分享我所做的项目。 1.计算歌曲的词汇多样性 我遇到一篇文章，讨论一些音乐家在其职业生涯中的整体词汇。 因此，我想将清单上前3位歌手和最后2位歌手的歌曲与我们在课堂上看到的3首歌曲进行比较。 排在首位的是Eminem（毫不奇怪），他的100首最慢的歌曲中使用了大约8,800个单词。 然后是Jay Z（6,900字）和Tupac Shakur（6,600字）。 排在最末的是Spice Girls和Bruno Mars（大约1500个单词）。 我尝试选择看起来在词汇上更加多样化的歌曲，并且与预期的一样，结果表明两组之间的差异很大，而且与我们看到的三首歌曲相比，差异也很大。 （可以在文件1_Lexical_Diversity中找到该代码） 2.分类模型：真实与否？ NLP与灾难鸣叫 我们获得了将近1

ODIR 我们提交给Kaggle的眼部疾病智能识别（ODIR）问题，作为ENEL 610的最终项目。 作者- 阿迪亚·波瓦尔（Aditya Porwal） 斯帕什·梅塔（Sparsh Mehta） 电气与计算机工程系卡尔加里大学加拿大艾伯塔省。 代码运行说明 代码重现性的逐步 ： 可以在这里找到代码：

kaggle竞赛Predict Student Performance from Game Play 自己写的项目代码，带注释+讲解 数据集：https://www.kaggle.com/competitions/predict-student-performance-from-game-play/data score为0.678，300/600的rank 竞赛目标： You'll develop a model trained on one of the largest open datasets of game logs. 文件包括： train.csv - the training set test.csv - the test set sample_submission.csv - a sample submission file in the correct format train_labels.csv - correct value for all 18 questions for each session in the training set

提交Kaggle竞赛“真实与否？NLP与灾难鸣叫”（排名前25％） 挑战链接： : 链接到公共Kaggle笔记本（SVM）： : 在此存储库中，您将找到3个笔记本： 一种使用spaCy字向量和SVM的 一种使用BiLSTM的 一种将预训练的BERT用于序列分类 在测试集上，SVM的f1得分达到0.81152，BiLSTM达到0.80，而BERT达到〜0.83 f1得分。

心脏病数据集.zip

Kaggle 癫痫检测挑战 解决方案。 卷积神经网络以一种糟糕的方式应用于原始 EEG 数据：来自不同通道的特征仅在隐藏层中组合。 描述了更好的解决方案。

抓举 Grasp-and-Lift EEG 检测 Kaggle 比赛 设置 需要 pip 和 python 克隆仓库git clone https://github.com/jrubin01/grasp-and-lift.git cd grasp-and-lift 创建虚拟环境virtualenv venv source venv/bin/activate 安装所需的库pip install -r requirements.txt 启动 ipython ipython notebook

Donald Trump Never Give Up: How I Turned My Biggest Challenge Into Success