美国野火数据集（以及其他属性） 介绍 野火几乎是定期发生的最具经济破坏力的自然事件之一。 由于同时发生大量火灾，并且资源有限，土地管理者和消防部门必须衡量得失，选择重点火灾进行资源分配，这个项目的目标是利用机器学习来提供选择和决策。 该数据集可以帮助建立一个机器学习模型，以预测大火到毁灭性程度的可能性，从而帮助决策者和土地管理者在夏季对野火进行分类。 内容 包含两个文件 FW_Veg_Rem_Combined.csv Wildfire_att_description.txt 这里提供的数据集是野火数据的子样本：188万美国大火。选取这个数据集，同时选择了50,000个火灾样本的随机样本，然后将此数据集与特定纬度/经度，历史植被数据以及历史天气数据结合在一起。用城市纬度/经度数据库表示火灾的偏远程度的测量指标。 转载https://github.com/varunr89/smokey

概述 该模块已针对RESISC-45数据集上的遥感应用进行了预训练。 用法 该模块实现了图像特征向量的公共特征，用法如下： 对于此模块，输入图像的大小是灵活的，但最好匹配模型训练输入，即高度x宽度= 224 x 224像素。遵循通用图像输入约定，期望输入图像的颜色值在[0,1]范围内。 微调 建议将该模块用于自定义数据集上进行微调。微调需要导入带有标签集{“train”}的图形版本，以便在训练模式下进行批量归一化。 转载 https://tfhub.dev/google/remote_sensing/resisc45-resnet50/1

介绍 这两个数据集与葡萄牙“ Vinho Verde”葡萄酒的红色和白色变体有关，只有理化（输入）和感官（输出）变量可用（例如，没有有关葡萄类型，葡萄酒品牌，葡萄酒售价等数据）。 这些数据集可以用于分类或回归建模，这些类别是有序的，不均衡的（例如，普通葡萄酒比优劣葡萄酒要多得多）。 内容 输入变量（基于理化测试）： 1-固定酸度 2-挥发性酸度 3-柠檬酸 4-残留糖 5-氯化物 6-游离二氧化硫 7-总二氧化硫 8-密度 9-pH 10-硫酸盐 11-酒精 输出变量（基于感官数据）： 12-质量（得分在0到10之间） Else 除了使用回归建模之外，还可以为葡萄酒质量设置一个的临界值，例如7或更高级别被分类为“良好/ 1”，其余分类为“不良/ 0”。这样就可以用决策树算法查看ROC曲线和AUC值。 转载https://www.kaggle.com/uciml/red-wine-quality-cortez-et-al-2009

介绍 该数据集可以帮助你充分利用现有的机器学习和深度学习知识，并将其应用于医学领域，简化内科医生的任务。 该数据集具有132个参数，可以预测42种不同类型的疾病。 内容 完整的数据集包含2个CSV文件。 其中一个用于训练模型，另一个用于测试模型。 每个CSV文件都有133列，其中132列是人经历的症状，最后一列是预后。 这些症状对应于42种疾病，可以将这些症状进行分类。 需要在训练数据上训练模型并在测试数据上对其进行测试 转载https://www.kaggle.com/kaushil268/disease-prediction-using-machine-learning

介绍 本资源涉及课题“基于卷积神经网络的手势识别系统设计”， 要求自定义十种手势动作并赋予手势动作含义，采集手势动作图像，建立手势动作图像数据集，使用卷积神经网络算法进行模型训练。使用电脑前置摄像头或外接摄像头实时对画面中的手势动作进行准确识别并输出识别结果。 内容 包含课题汇报的PPT、讲稿以及实时识别效果展示视频。