1. 本数据是从阿里云天池官网的【天池大赛/学习赛】中【工业蒸汽量预测】中下载的，侵权删除； 2. 数据搬运，免费下载。

阿里天池余额宝资金流入流出比赛前四名的答辩PPT

对服装关键点检测的网络模型对比与优化。

https://zhuanlan.zhihu.com/p/343053914 知乎大佬写的，可以参考 https://blog.csdn.net/Mind_programmonkey/article/details/121075404

大赛以“地铁乘客流量预测”为赛题，参赛者可通过分析地铁站的历史刷卡数据，预测站点未来的客流量变化，帮助实现更合理的出行路线选择，规避交通堵塞，提前部署站点安保措施等，最终实现用大数据和人工智能等技术助力未来城市安全出行。 大赛开放了20190101至20190125共25天地铁刷卡数据记录，共涉及3条线路81个地铁站约7000万条数据作为训练数据（Metro_train.zip），供选手搭建地铁站点乘客流量预测模型。训练数据（Metro_train.zip）解压后可以得到25个csv文件，每天的刷卡数据均单独存在一个csv文件中，以record为前缀。如2019年1月1日的所有线路所有站点的刷卡数据记录存储在record_2019-01-01.csv文件中，以此类推。同时大赛提供了路网地图，即各地铁站之间的连接关系表，存储在文件Metro_roadMap.csv文件中供选手使用。 测试阶段，大赛将提供某天所有线路所有站点的刷卡数据记录，选手需预测未来一天00时至24时以10分钟为单位各时段各站点的进站和出站人次。 预选赛阶段，测试集A集上，大赛将提供2019年1月28日的刷卡数据

大赛以“地铁乘客流量预测”为赛题，参赛者可通过分析地铁站的历史刷卡数据，预测站点未来的客流量变化，帮助实现更合理的出行路线选择，规避交通堵塞，提前部署站点安保措施等，最终实现用大数据和人工智能等技术助力未来城市安全出行。 大赛开放了20190101至20190125共25天地铁刷卡数据记录，共涉及3条线路81个地铁站约7000万条数据作为训练数据（Metro_train.zip），供选手搭建地铁站点乘客流量预测模型。训练数据（Metro_train.zip）解压后可以得到25个csv文件，每天的刷卡数据均单独存在一个csv文件中，以record为前缀。如2019年1月1日的所有线路所有站点的刷卡数据记录存储在record_2019-01-01.csv文件中，以此类推。同时大赛提供了路网地图，即各地铁站之间的连接关系表，存储在文件Metro_roadMap.csv文件中供选手使用。 测试阶段，大赛将提供某天所有线路所有站点的刷卡数据记录，选手需预测未来一天00时至24时以10分钟为单位各时段各站点的进站和出站人次。 预选赛阶段，测试集A集上，大赛将提供2019年1月28日的刷卡数据

大赛以“地铁乘客流量预测”为赛题，参赛者可通过分析地铁站的历史刷卡数据，预测站点未来的客流量变化，帮助实现更合理的出行路线选择，规避交通堵塞，提前部署站点安保措施等，最终实现用大数据和人工智能等技术助力未来城市安全出行。 大赛开放了20190101至20190125共25天地铁刷卡数据记录，共涉及3条线路81个地铁站约7000万条数据作为训练数据（Metro_train.zip），供选手搭建地铁站点乘客流量预测模型。训练数据（Metro_train.zip）解压后可以得到25个csv文件，每天的刷卡数据均单独存在一个csv文件中，以record为前缀。如2019年1月1日的所有线路所有站点的刷卡数据记录存储在record_2019-01-01.csv文件中，以此类推。同时大赛提供了路网地图，即各地铁站之间的连接关系表，存储在文件Metro_roadMap.csv文件中供选手使用。 测试阶段，大赛将提供某天所有线路所有站点的刷卡数据记录，选手需预测未来一天00时至24时以10分钟为单位各时段各站点的进站和出站人次。 预选赛阶段，测试集A集上，大赛将提供2019年1月28日的刷卡数据

阿里云天池大赛赛题解析_机器学习篇

天池新人实战赛o2o优惠券使用预测

TianChiCompetition Our responding code and resources for TianChi competition #Update 2015/04/10 基本框架的构建： 特征工程部分 Generate_raw_train.py (从原始数据中按照分割点，得到分割点前的数据) Generate_feature_All.py (从raw_train数据中提取特征，并构建基于特征向量的训练集合) 算法框架部分 Algorithm_LRTest.py (利用LR回归，进行分类预测) Function_CalF1.py (F1函数的计算) 负样本影响问题 测试产生 '候选集'的过程中，发现虽然只用子集，但是一早上起来，数据量还是把硬盘给爆了，经测试，代码应该没有产生大问题。估计是负样本太多，过多的想预测没有发生过预测行为的（U,I）对。尝试取消这部分内容 #U