题目提供的训练数据集包含11个特征，分别是： Survived:0代表死亡，1代表存活 Pclass:乘客所持票类，有三种值(1,2,3) Name:乘客姓名 Sex:乘客性别 Age:乘客年龄(有缺失) SibSp:乘客兄弟姐妹/配偶的个数(整数值) Parch:乘客父母/孩子的个数(整数值) Ticket:票号(字符串) Fare:乘客所持票的价格(浮点数，0-500不等) Cabin:乘客所在船舱(有缺失) Embark:乘客登船港口:S、C、Q(有缺失)

kaggle猫狗大战数据集

netflix-prize-data 数据集 Netflix数据集包含了1999.12.31-2005.12.31期间匿名客户提供的超过一亿部电影平级

包含基于jupyterlab + python的kaggle经典实战案例，离职分析，通过随机森林算法完成数据可视化和展示，包含数据集合算法模型；

用的是pycharm编译器，里面有代码和数据集。

TMDB电影数据分析，包括Kaggle上的原始数据集，以及代码，实现电影类型和票房，利润等的关系，对比两个公司的电影类型收入，拍摄集中年份，画出饼图，条形图，折线图，并进行关键词的提取，做出词云图。

8G数据集太大，分开下载（打开我的页面可以下载所有） Fruit Recognition 水果数据集，15个分类，训练识别应用

Kaggle在9月30日开启的一个新的比赛，举办者是巴西最大的汽车与住房保险公司之一：Porto Seguro。该比赛要求参赛者根据汽车保单持有人的数据建立机器学习模型，分析该持有人是否会在次年提出索赔。这里的文档是比赛所用到的数据，数据均已经处理

数据来自Kaggle的Give Me Some Credit，有15万条的样本数据，下图可以看到这份数据的大致情况。 数据属于个人消费类贷款，只考虑信用评分最终实施时能够使用到的数据应从如下一些方面获取数据： – 基本属性：包括了借款人当时的年龄。 – 偿债能力：包括了借款人的月收入、负债比率。 – 信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90 天或高于90天逾期的次数。 – 财产状况：包括了开放式信贷和贷款数量、不动产贷款或额度数量。 – 贷款属性：暂无。 – 其他因素：包括了借款人的家属数量（不包括本人在内）。 – 时间窗口：自变量的观察窗口为过去两年，因变量表现窗口为未来两年。

这是kaggle泰坦尼克号准确率0.81的python数据分析超级详细的源代码 这是传说中的泰坦尼克机器学习比赛-对你来说最好的，第一次挑战，让你潜入机器学习比赛，熟悉Kaggle平台的工作原理。 竞争很简单：使用机器学习来创建一个模型，预测哪些乘客在泰坦尼克号沉船事故中幸存下来。