本作业以FCN为基础，构建一个FCN训练模型，要求学员实现代码中缺失的部分并使用自己的实现跑出比较好的结果。 学员需要将convert_fcn_dataset.py中的代码补全并生成对应的数据集文件上传到tinymind。学员需要在作业提供的代码基础上添加8X的FCN实现并进行训练。 数据集已经上传到了tinymind上： https://www.tinymind.com/langyuntian/datasets/week10data checkpint模型引用的地址：为tinymind数据集： ai100/vgg16
Last updated: 7 years ago作业 利用slim框架和object_detection框架，做一个物体检测的模型。通过这个作业，学员可以了解到物体检测模型的数据准备，训练和验证的过程。
Last updated: 7 years ago问题描述 学员自己实现一个densenet的网络，并插入到slim框架中进行训练。 详情见：https://gitee.com/ai100/quiz-w7-2-densenet tinymind 使用说明：https://gitee.com/ai100/quiz-w7-doc 解题提示 1. 下载数据集：本数据集拥有200个分类，每个分类300张图片，共计6W张图片，其中5W张作为训练集，1W张图片作为验证集。图片已经预打包为tfrecord格式并上传到tinymind上。地址如下： https://www.tinymind.com/ai100/datasets/quiz-w7 2. 模型：模型代码来自： https://github.com/tensorflow/models/tree/master/research/slim；这里为了适应本作业提供的数据集，稍作修改，添加了一个quiz数据集以及一个训练并验证的脚本，实际使用的代码为： https://gitee.com/ai100/quiz-w7-2-densenet；其中nets目录下的densenet.py中已经定义了d
Last updated: 7 years ago作业 使用tensorflow，构造并训练一个神经网络，在测试机上达到超过98%的准确率。 在完成过程中，需要综合运用目前学到的基础知识： 深度神经网络 激活函数 正则化 初始化 卷积 池化 并探索如下超参数设置： 卷积kernel size 卷积kernel 数量 学习率 正则化因子 权重初始化分布参数 数据集 下载地址： http://yann.lecun.com/exdb/mnist/ 或 https://storage.googleapis.com/cvdf-datasets/mnist/train-images-idx3-ubyte.gz https://storage.googleapis.com/cvdf-datasets/mnist/train-labels-idx1-ubyte.gz https://storage.googleapis.com/cvdf-datasets/mnist/t10k-images-idx3-ubyte.gz https://storage.googleapis.com/cvdf-datasets/mnist/t10k-labels-id
Last updated: 7 years ago问题描述 使用tensorflow，构造并训练一个神经网络，在测试机上达到超过98%的准确率。 解题提示 在完成过程中，需要综合运用目前学到的基础知识： 深度神经网络 激活函数 正则化 初始化 并探索如下超参数设置： 隐层数量 各隐层中神经元数量 学习率 正则化因子 权重初始化分布参数
Last updated: 7 years ago问题描述数据：Million Song Dataset(MSD) https://labrosa.ee.columbia.edu/millionsong/ 作业使用的数据集是公开音乐数据集 Million Song Dataset(MSD) ， 它 包 含 来 自 SecondHandSongs dataset 、 musiXmatch dataset、Last.fm dataset、Taste Profile subset、 thisismyjam-to-MSD mapping、tagtraum genre annotations 和 Top MAGD dataset 七个知名音乐社区的数据。 原始数据集包括： 1. train_triplets.txt：三元组数据（用户、歌曲、播放次数） 2. track_metadata.db：每个歌曲的元数据 由于原始数据太大，作业用的数据集只是其中的子集（播放次数最多的10万个用户、播放次数最多的3万首歌曲。 数据预处理过程请见DataProcessing.ipynb文件，最后得到的数据文件为：triplet_datase
Last updated: 7 years ago第四周作业：对活动进行聚类 第四周和第五周的作业均数据来源于Kaggle竞赛：Event Recommendation Engine Challenge，根据 events they’ve responded to in the past user demographic information what events they’ve seen and clicked on in our app 用户对某个事件是否感兴趣
Last updated: 7 years ago利用LightGBM/XGboost实现Happy Customer Bank目标客户（贷款成功的客户）识别 一、 任务说明：Happy Customer Bank目标客户识别 https://discuss.analyticsvidhya.com/t/hackathon-3-x-predict-customer-worth-for-happy-customer-bank/3802 1) 文件说明 Train.csv：训练数据 Test.csv：测试数据 2) 字段说明 数据集共26个字段: 其中1-24列为输入特征，25-26列为输出特征。 1. ID - 唯一ID（不能用于预测） 2. Gender - 性别 3. City - 城市 4. Monthly_Income - 月收入（以卢比为单位） 5. DOB - 出生日期 6. Lead_Creation_Date - 潜在（贷款）创建日期 7. Loan_Amount_Applied - 贷款申请请求金额（印度卢比，INR） 8. Loan_Tenure_Applied - 贷款申请期限（单位为年） 9. Existi
Last updated: over 7 years ago请在 Pima Indians Diabetes Data Set（皮马印第安人糖尿病数据集）进行分类器练 习。 需要提交代码文件，并给出必要的结果解释。 1) 训练数据和测试数据分割（随机选择 20%的数据作为测试集）；（ 10 分） 见文件：logistic_diabetes.ipynb、svm_diabetes.ipynb、 2) 适当的特征工程（及数据探索）;（10 分） 见logistic_diabetes.ipynb、svm_diabetes.ipynb 3) Logistic 回归，并选择最佳的正则函数（L1/L2）及正则参数；（30 分） 见logistic_diabetes.ipynb、 4) 线性 SVM，并选择最佳正则参 数，比较与 Logistic 回归的性能，简单说明原因。 （20 分） 见svm_diabetes.ipynb 5) RBF 核的 SVM，并选择最佳的超参数（正则参数、RBF 核函数宽度）；（ 30 分） 见svm_diabetes.ipynb
Last updated: over 7 years ago
