阿里云天池的AI学习树及数据集

天池实验室 11.jpg

阿里天池比赛，关于机器学习，预测学生成绩数据，可以用来机器学习练手

“信息迷航”和“信息过载”问题由来已久，产业界和学术界都为解决这类问题进行了大量的尝试。推荐系统能够帮助用户在海量的产品空间中进行筛选，同时尽量减少用户的参与，将信息在合适的时间、地点主动推送给用户。但是传统的推荐算法以静态算法为主，其基本假设是用户兴趣是静止不变的。这种假设与事实不符，导致面对现实数据时，传统算法存在推荐准确性差、算法可解释性差等诸多问题。事实上用户兴趣不仅不断变化，而且具有一定的规律。

天池智能制造质量预测数据集 背景描述 半导体产业是一个信息化程度高的产业。高度的信息化给数据分析创造了可能性。基于数据的分析可以帮助半导体产业更好的利用生产信息，提高产品质量。 现有的解决方案是，生产机器生产完成后，对产品质量做非全面的抽测，进行产品质量检核。这往往会出现以下状况，一是不能即时的知道质量的好坏，当发现质量不佳的产品时，要修正通常都为时以晚，二是在没有办法全面抽测的状况下，存在很大漏检的风险。 在机器学习，人工智能快速发展的今天，我们希望着由机器生产参数去预测产品的质量，来达到生产结果即时性以及全面性。更进一步的，可基于预先知道的结果，去做对应的决策及应变，对客户负责，也对制造生产更加敏感。 痛点与挑战： 1）TFT-LCD（薄膜晶体管液晶显示器）的生产过程较为复杂，包含几百道以上的工序。每道工序都有可能会对产品的品质产生影响，故算法模型需要考虑的过程变量较多。 2）另外，这些变量的取值可能会存在异常（如测点仪表的波动导致、设备工况漂移等现象），模型需要足够稳定性和鲁棒性。 3）产线每天加工的玻璃基板数以万计，模型需要在满足较高的精准度前提下尽可能实时得到预测结果，这样才能给在实际生产中进行使用。 价值： 1）如果能够建立算法模型准确预测出特性值，便可以实现生产过程的实时监控和预警，提前发现当前工序的问题、避免问题流入到后道工序，减少生产资源浪费的同时也优化了产品良率。 2）基于预测模型得到的关键参数，工艺人员能够快速地针对那些电性表现不佳的产品进行问题溯源分析，重点分析和调整那些关键的影响因子，加快不良问题的处理、提高整体工艺水平。 3）该预测模型在部署后也可以用于减少特性检测相关的工序，能够节约检测资源并且对提升产线整体的产能有正面作用。 数据说明 每条数据包含8029列字段。 第一个字段为ID号码，最后一列为要预测的值Y。其余的数据为用于预测Y的变量X。这些变量一共由多道工序组成，字段的名字可以区分不同的工序，例如 210X1, 210X2。300X1,300X2。字段中的TOOL_ID或者Tool为每道工序使用的机台，如果是string类型，需要选手自行进行数字化转换。注意： 数据中存在缺失值。 测试集分为A/B两份，相比训练集，最后一列的value值是缺失的，研究人员可以根据训练数据做模型训练，并对测试集做预测。为了方便研究人员评测算法效果，我们提供了测试集A的答案。 问题描述 本数据集提供了生产线上的抽样数据，反应机台的温度，气体，液体流量，功率，制成时间等因子。 通过这些因子，需要研究人员设计出模型，准确的预测与之相对应的特性数值。这是一个典型的回归预测问题。

【资源说明】 1、该资源包括项目的全部源码，下载可以直接使用！ 2、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕设项目，作为参考资料学习借鉴。 3、本资源作为“参考资料”如果需要实现其他功能，需要能看懂代码，并且热爱钻研，自行调试。 天池大数据竞赛数据集.zip

天池金融比赛的数据集 sample_submit.csv train.csv testA.csv

2017年12月天池工业ai比赛的初赛数据集，一共包括训练集、测试集A、测试集B