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

一、数据说明： Capital Bikeshare （美国Washington, D.C.的一个共享单车公司）提供的共享单车数据。数据包含每天的日期、天气等信息，需要预测每天的共享单车骑行量。 二、作业要求： 1. 对数据做数据探索分析（可参考EDA_BikeSharing.ipynb，不计分） 2. 适当的特征工程（可参考FE_BikeSharing.ipynb，不计分） 3. 对全体数据，随机选择其中80%做训练数据，剩下20%为测试数据，评价指标为RMSE。（10分） 4. 用训练数据训练最小二乘线性回归模型（20分）、岭回归模型、Lasso模型，其中岭回归模型（30分）和Lasso模型（30分）需采用5折交叉验证得到最佳正则超参数。 5. 比较用上述三种模型得到的各特征的系数，以及各模型在测试集上的性能。并简单说明原因。（10分）

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

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

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

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